在TensorFlow中使用coo_matrix

我在TensorFlow中做矩陣分解，我想從Spicy.sparse中使用coo_matrix，因爲它使用更少的內存，並且可以很容易地將所有數據放入我的矩陣中以獲得訓練數據。在TensorFlow中使用coo_matrix

可以使用coo_matrix初始化張量流變量嗎？

或者我必須創建一個會話，並使用sess.run（）和feed_dict將數據輸入到tensorflow中。

我希望你能理解我的問題和我的問題，否則評論，我會盡力解決它。

來源

2017-03-02 Marcus Lagerstedt

TensorFlow對scipy.sparse.coo_matrix最接近的是tf.SparseTensor，這是tf.Tensor的稀疏等價物。向您的程序中輸入coo_matrix可能是最簡單的。

甲tf.SparseTensor是COO矩陣的輕微概括，其中張量被表示爲3個密tf.Tensor對象：

indices：tf.int64值的N X D矩陣，其中每一行代表的一個座標非零值。 N是非零數，D是等效稠密張量的等級（在矩陣的情況下是2）。
values：值，其中元件是i其座標上的indicesi行中給出的元素的值的長度 - N矢量。
dense_shape：長度 - D矢量tf.int64，表示等效稠密張量的形狀。

例如，可以使用下面的代碼，它使用tf.sparse_placeholder()以限定tf.SparseTensor可以飼料，和表示實際值被饋送一個tf.SparseTensorValue：

sparse_input = tf.sparse_placeholder(dtype=tf.float32, shape=[100, 100]) 
# ... 
train_op = ... 

coo_matrix = scipy.sparse.coo_matrix(...) 

# Wrap `coo_matrix` in the `tf.SparseTensorValue` form that TensorFlow expects. 
# SciPy stores the row and column coordinates as separate vectors, so we must 
# stack and transpose them to make an indices matrix of the appropriate shape. 
tf_coo_matrix = tf.SparseTensorValue(
    indices=np.array([coo_matrix.rows, coo_matrix.cols]).T, 
    values=coo_matrix.data, 
    dense_shape=coo_matrix.shape)

一旦轉換您coo_matrix到tf.SparseTensorValue，可以喂sparse_input與tf.SparseTensorValue直接：

sess.run(train_op, feed_dict={sparse_input: tf_coo_matrix})

來源

2017-03-02 18:01:34 mrry

謝謝，日是我想要的。但你爲什麼要做 sparse_input = tf.sparse_placeholder（dtype = tf.float32，shape = [100，100]） –

這只是一個創建'tf.SparseTensor'的例子。你不必使用特殊的'dtype'或'shape'，你可以用你構造的'tf.SparseTensorValue'來提供任何'tf.SparseTensor'（只要它具有兼容的'dtype'和'shape' ）。 – mrry

感謝您的快速響應。 –

在TensorFlow中使用coo_matrix

回答

相關問題