常德市网站建设_网站建设公司_Oracle_seo优化

零基础吃透：创建tf.sparse.SparseTensor的核心方法

创建tf.sparse.SparseTensor是使用稀疏张量的基础，TensorFlow提供了直接构造和从密集张量转换两种核心方式，同时可通过自定义函数美化打印结果（便于调试），也能轻松转回密集张量。以下结合示例拆解每个步骤的原理、用法和注意事项。

一、环境警告说明（先避坑）

代码中出现的GPU相关警告（如cuFFT/cuDNN/cuBLAS factory）是因为本地环境的GPU库重复注册/缺失，不影响稀疏张量的核心功能（CPU环境下可正常运行），无需处理即可继续。

二、方式1：直接构造SparseTensor（核心参数）

2.1 构造原理

直接通过tf.sparse.SparseTensor构造，需指定三个核心参数（COO格式）：

2.2 示例代码

importtensorflowastf# 直接构造稀疏张量st1=tf.sparse.SparseTensor(indices=[[0,3],[2,4]],# 非零值坐标：(0,3)=10，(2,4)=20values=[10,20],# 非零值列表dense_shape=[3,10]# 对应密集张量形状：3行10列)# 原生打印（显示三个核心组件）print("原生打印SparseTensor：")print(st1)

2.3 输出解读

SparseTensor(indices=tf.Tensor( [[0 3] [2 4]], shape=(2, 2), dtype=int64), values=tf.Tensor([10 20], shape=(2,), dtype=int32), dense_shape=tf.Tensor([ 3 10], shape=(2,), dtype=int64))

• indices：二维int64张量，2行2列（2个非零值，二维坐标）；
• values：一维int32张量，存储2个非零值；
• dense_shape：一维int64张量，指定密集形状为[3,10]。

三、美观打印SparseTensor（调试必备）

原生打印的格式不直观，可自定义函数将“坐标-值”一一对应打印，便于快速理解稀疏张量的内容。

3.1 自定义打印函数原理

遍历indices和values，逐个拼接“坐标: 值”的格式，最终输出结构化的字符串。

3.2 示例代码

defpprint_sparse_tensor(st):# 初始化字符串，先打印密集形状s="<SparseTensor shape=%s \n values={"%(st.dense_shape.numpy().tolist(),)# 遍历每个非零值的坐标和值for(index,value)inzip(st.indices,st.values):# 拼接坐标（列表格式）和值s+=f"\n %s: %s"%(index.numpy().tolist(),value.numpy().tolist())returns+"}>"# 美观打印st1print("\n美观打印SparseTensor：")print(pprint_sparse_tensor(st1))

3.3 输出解读

<SparseTensor shape=[3, 10] values={ [0, 3]: 10 [2, 4]: 20}>

直观看到：

• 稀疏张量对应密集形状是3行10列；
• 非零值位置：(0,3)为10，(2,4)为20；
• 其余位置均为隐式零值。

四、方式2：从密集张量转换为SparseTensor

4.1 核心函数：tf.sparse.from_dense

自动提取密集张量中的非零值及其坐标，生成对应的SparseTensor（无需手动指定indices/values）。

4.2 示例代码

# 从密集张量创建稀疏张量dense_tensor=[[1,0,0,8],[0,0,0,0],[0,0,3,0]]st2=tf.sparse.from_dense(dense_tensor)# 美观打印转换后的稀疏张量print("从密集张量转换的SparseTensor：")print(pprint_sparse_tensor(st2))

4.3 输出解读

<SparseTensor shape=[3, 4] values={ [0, 0]: 1 [0, 3]: 8 [2, 2]: 3}>

• 密集张量的非零值：(0,0)=1、(0,3)=8、(2,2)=3，其余为0；
• tf.sparse.from_dense自动过滤零值，仅保留非零值的坐标和值。

五、稀疏张量转回密集张量

5.1 核心函数：tf.sparse.to_dense

根据SparseTensor的indices/values/dense_shape，填充非零值，其余位置补0，生成密集张量。

5.2 示例代码

# 稀疏张量转回密集张量st3=tf.sparse.to_dense(st2)print("\n稀疏张量转回的密集张量：")print(st3)

5.3 输出解读

tf.Tensor( [[1 0 0 8] [0 0 0 0] [0 0 3 0]], shape=(3, 4), dtype=int32)

与原始密集张量完全一致，验证了转换的可逆性。

六、关键注意事项（避坑核心）

1. 数据类型要求

• indices和dense_shape的dtype必须是int64（TensorFlow强制要求，手动指定时若用int32会报错）；
• values的dtype可自定义（int32/float32等），但需与业务场景匹配。

2. 索引格式要求

• indices的每行长度必须等于dense_shape的长度（即张量的秩）：
  • 二维张量的索引是[行, 列]（长度2）；
  • 三维张量的索引是[深度, 行, 列]（长度3）。

3. 显式零值的处理

• tf.sparse.from_dense会自动过滤隐式零值（未存储的零），但如果密集张量中主动存储0（显式零值），会被保留：

  # 含显式零值的密集张量dense_with_zero=[[1,0,0],[0,0,0],[2,0,3]]st_with_zero=tf.sparse.from_dense(dense_with_zero)print(pprint_sparse_tensor(st_with_zero))# 仅保留1、2、3，过滤0

4. 空张量处理

• 若密集张量全为0，tf.sparse.from_dense生成的SparseTensor的indices和values为空：

  dense_all_zero=[[0,0],[0,0]]st_all_zero=tf.sparse.from_dense(dense_all_zero)print(st_all_zero.indices.numpy())# 空数组 []print(st_all_zero.values.numpy())# 空数组 []

七、核心总结

掌握这三种核心操作，就能灵活创建和转换稀疏张量，满足NLP/计算机视觉等场景下的稀疏数据处理需求。