稀疏张量 * 向量答案

【问题标题】：SparseTensor * Vector稀疏张量 * 向量
【发布时间】：2017-08-29 20:58:49
【问题描述】：

当 A 是 tf.SparseTensor 而 b 是 tf.Variable 时，如何在 tensorflow 中实现以下功能？

A = np.arange(5**2).reshape((5,5))
b = np.array([1.0, 2.0, 0.0, 0.0, 1.0])
C = A * b

如果我尝试相同的表示法，我会得到 InvalidArgumentError: Provided indices are out-of-bounds w.r.t。密集的一面有广播的形状。

【问题讨论】：

标签： tensorflow sparse-matrix

【解决方案1】：

* 也适用于 SparseTensor，您的问题似乎与 SparseTensor 本身有关，您可能提供了超出范围的索引你给它的形状，考虑这个例子：

A_t = tf.SparseTensor(indices=[[0,6],[4,4]], values=[3.2,5.1], dense_shape=(5,5))

请注意列索引6 大于指定的形状，该形状应具有最大5 列，这会产生与您显示的相同的错误：

b = np.array([1.0, 2.0, 0.0, 0.0, 1.0])

B_t = tf.Variable(b, dtype=tf.float32)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(A_t * B_t))

InvalidArgumentError（参见上面的回溯）：提供的索引是 w.r.t. 越界具有广播形状的密集面

这是一个工作示例：

A_t = tf.SparseTensor(indices=[[0,3],[4,4]], values=[3.2,5.1], dense_shape=(5,5)) 

b = np.array([1.0, 2.0, 0.0, 0.0, 1.0])
B_t = tf.Variable(b, dtype=tf.float32)


with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(A_t * B_t))
# SparseTensorValue(indices=array([[0, 3],
#        [4, 4]], dtype=int64), values=array([ 0.       ,  5.0999999], dtype=float32), dense_shape=array([5, 5], dtype=int64))

【讨论】：