凤岗仿做网站建设工程交易中心的性质

凤岗仿做网站,建设工程交易中心的性质,黄岛网站建设公司首选,平台类网站建设胡方案明细零基础吃透#xff1a;RaggedTensor与其他张量类型的转换 RaggedTensor 提供了原生方法#xff0c;可与 TensorFlow 另外两种核心张量类型#xff08;密集张量 tf.Tensor、稀疏张量 tf.SparseTensor#xff09;双向转换#xff0c;覆盖“补0/去填充”“稀疏存储/可变长度…零基础吃透RaggedTensor与其他张量类型的转换RaggedTensor 提供了原生方法可与 TensorFlow 另外两种核心张量类型密集张量tf.Tensor、稀疏张量tf.SparseTensor双向转换覆盖“补0/去填充”“稀疏存储/可变长度处理”等核心场景。以下按「转换方向」拆解每个方法的用法、原理和适用场景。前置准备可运行代码importtensorflowastf# 基础RaggedTensor示例文本序列ragged_sentencestf.ragged.constant([[Hi],# 行01个元素[Welcome,to,the,fair],# 行14个元素[Have,fun]])# 行22个元素转换1RaggedTensor → 密集张量tf.Tensor核心方法ragged_tensor.to_tensor(default_value, shapeNone)将不规则张量补全为固定形状的密集张量不足长度的位置填充指定默认值。参数作用default_value必选填充值如空字符串、0、-1等需与张量元素类型匹配shape可选目标密集张量的形状如[None, 10]表示行数可变、列数固定10不指定则补到「最大行长度」示例代码# 转换为密集张量补空字符串列数固定为10dense_sentencesragged_sentences.to_tensor(default_value,shape[None,10])print(Ragged → 密集张量shape[None,10])print(dense_sentences)# 不指定shape自动补到最大行长度4列dense_sentences_autoragged_sentences.to_tensor(default_value)print(\nRagged → 密集张量自动补最大长度)print(dense_sentences_auto)运行结果Ragged → 密集张量shape[None,10] tf.Tensor( [[bHi b b b b b b b b b] [bWelcome bto bthe bfair b b b b b b] [bHave bfun b b b b b b b b]], shape(3, 10), dtypestring) Ragged → 密集张量自动补最大长度 tf.Tensor( [[bHi b b b] [bWelcome bto bthe bfair] [bHave bfun b b]], shape(3, 4), dtypestring)核心解读补全逻辑每行按目标长度填充default_value比如行0仅1个元素补9个空字符串到10列适用场景需将RaggedTensor传入不支持不规则张量的层/函数如老版本LSTM、部分第三方库。转换2密集张量tf.Tensor→ RaggedTensor核心方法tf.RaggedTensor.from_tensor(tensor, padding)从含填充值的密集张量中剔除填充值恢复为可变长度的RaggedTensor仅保留有效元素。参数作用tensor必选含填充值的密集张量如补0/-1的序列padding必选填充值如-1、0张量中该值会被剔除仅保留非填充值示例代码# 含填充值的密集张量-1为填充dense_xtf.constant([[1,3,-1,-1],[2,-1,-1,-1],[4,5,8,9]])# 转换为RaggedTensor剔除-1ragged_xtf.RaggedTensor.from_tensor(dense_x,padding-1)print(密集张量 → Ragged剔除填充值-1)print(ragged_x)运行结果tf.RaggedTensor [[1, 3], [2], [4, 5, 8, 9]]核心解读去填充逻辑遍历每行删除所有padding指定的值仅保留有效元素适用场景从“补0/补-1的密集序列”恢复原始可变长度结构如文本预处理后去填充。转换3RaggedTensor → 稀疏张量tf.SparseTensor核心方法ragged_tensor.to_sparse()将不规则张量转换为稀疏张量仅存储非空元素的坐标值节省内存无填充值存储。示例代码# Ragged → SparseTensorsparse_sentencesragged_sentences.to_sparse()print(Ragged → SparseTensor)print(indices非空元素坐标,sparse_sentences.indices)print(values非空元素值,sparse_sentences.values)print(dense_shape对应密集张量形状,sparse_sentences.dense_shape)运行结果indices非空元素坐标 tf.Tensor( [[0 0] [1 0] [1 1] [1 2] [1 3] [2 0] [2 1]], shape(7, 2), dtypeint64) values非空元素值 tf.Tensor([bHi bWelcome bto bthe bfair bHave bfun], shape(7,), dtypestring) dense_shape对应密集张量形状 tf.Tensor([3 4], shape(2,), dtypeint64)核心解读转换逻辑indices所有非空元素的「行列」坐标如[0,0]对应行0列0的Hivalues按坐标顺序排列的非空元素值dense_shape对应密集张量的形状行数3最大列数4适用场景存储/传输大规模可变长度数据SparseTensor仅存有效元素比密集张量省内存。转换4稀疏张量tf.SparseTensor→ RaggedTensor核心方法tf.RaggedTensor.from_sparse(sparse_tensor)将稀疏张量按行整理为可变长度的RaggedTensor空行保留为空列表。示例代码# 定义SparseTensor3行3列非空元素[0,0]a、[2,0]b、[2,1]csttf.SparseTensor(indices[[0,0],[2,0],[2,1]],# 非空元素坐标values[a,b,c],# 非空元素值dense_shape[3,3]# 对应密集张量形状)# Sparse → RaggedTensorragged_from_sparsetf.RaggedTensor.from_sparse(st)print(Sparse → RaggedTensor)print(ragged_from_sparse)运行结果tf.RaggedTensor [[ba], [], [bb, bc]]核心解读转换逻辑按行分组SparseTensor的非空元素每行的元素按列索引升序排列无元素的行如行1保留为空列表适用场景将稀疏存储的可变长度数据转换为RaggedTensor利用其更友好的API如切片、运算符、Keras适配。核心注意事项避坑1. 类型匹配转换时default_value/padding的类型必须与张量元素类型一致如字符串张量不能用0填充SparseTensor转RaggedTensor时indices需按行/列索引有序TF会自动排序无需手动处理。2. 形状约束to_tensor(shape...)指定的形状不能小于RaggedTensor的最大长度如最大列数4不能指定shape[None,3]会报错from_tensor仅支持“末尾维度有填充值”的密集张量如二维张量仅列维度补填充行维度需固定。3. 空值处理RaggedTensor的空行[]转换为密集张量时会填充default_valueSparseTensor的空行转换为RaggedTensor时保留为空列表无填充。转换场景总结转换方向核心方法适用场景Ragged → Tensorto_tensor(default_value, shape)适配不支持Ragged的层/函数如老版LSTMTensor → Raggedfrom_tensor(tensor, padding)去除密集张量的填充值恢复可变长度Ragged → Sparseto_sparse()大规模数据存储/传输节省内存Sparse → Raggedfrom_sparse(sparse_tensor)利用Ragged的友好API切片、运算符、Keras这四类转换覆盖了RaggedTensor在数据预处理、模型输入、存储传输等全流程的适配需求是处理可变长度数据的核心工具。