广东省建设安全卡查询网站文字生成器在线制作

广东省建设安全卡查询网站,文字生成器在线制作,杭州最专业的seo公司,深圳大胜上海零基础吃透#xff1a;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#xff0c;TensorFlow提供了直接构造和从密集张量转换两种核心方式#xff0c;同时可通过自定义函数美化打印结果#xff08;便于调试#xff09;#xff0c…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格式参数名要求示例indices二维张量dtypeint64每行是一个非零值的坐标形状[N, rank][[0,3], [2,4]]2个非零值二维坐标values一维张量长度N与indices行数一致存储非零值[10,20]dense_shape一维张量dtypeint64指定稀疏张量对应的密集形状长度rank[3,10]3行10列的二维张量2.2 示例代码importtensorflowastf# 直接构造稀疏张量st1tf.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(indicestf.Tensor( [[0 3] [2 4]], shape(2, 2), dtypeint64), valuestf.Tensor([10 20], shape(2,), dtypeint32), dense_shapetf.Tensor([ 3 10], shape(2,), dtypeint64))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sSparseTensor 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sf\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SparseTensor4.1 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]]st2tf.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0tf.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st3tf.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), dtypeint32)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int64TensorFlow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_zerotf.sparse.from_dense(dense_with_zero)print(pprint_sparse_tensor(st_with_zero))# 仅保留1、2、3过滤04. 空张量处理若密集张量全为0tf.sparse.from_dense生成的SparseTensor的indices和values为空dense_all_zero[[0,0],[0,0]]st_all_zerotf.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、核心总结操作函数/方法核心用途直接构造稀疏张量tf.sparse.SparseTensor手动指定非零值坐标和值精准控制密集→稀疏tf.sparse.from_dense自动提取非零值快速生成稀疏张量稀疏→密集tf.sparse.to_dense还原为密集张量适配不支持稀疏的算子美观打印稀疏张量自定义pprint_sparse_tensor函数调试时直观查看非零值的坐标和值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。