python - 动态设置 dense_shape 的 TensorFlow SparseTensor

Question

我以前问过这个问题Create boolean mask on TensorFlow关于如何仅将某些索引设置为 1 并将其余索引设置为 0 来获取张量。

我认为@MZHm 给出的答案可以完全解决我的问题。虽然 tf.SparseTensor 的参数 dense_shape 只接受列表，我想传递一个从图中推断出的形状(从另一个具有变量的张量的形状形状)。所以在我的具体情况下，我想做这样的事情:

# The tensor from which the shape of the sparse tensor is to be inferred
reference_t = tf.zeros([32, 50, 11])

# The indices that will be 1
indices = [[0, 0],
           [3, 0],
           [5, 0],
           [6, 0]]

# Just setting all the values for the sparse tensor to be 1
values = tf.ones([reference_t.shape[-1]])

# The 2d shape I want the sparse tensor to have
sparse_2d_shape = [reference_t.shape[-2],
                   reference_t.shape[-1]]

st = tf.SparseTensor(indices, values, sparse_2d_shape)

从这里我得到错误:

TypeError: Expected int64, got Dimension(50) of type 'Dimension' instead.

如何动态设置稀疏张量的形状？是否有更好的选择来实现我的目标？

Answer 1

您可以通过以下方式获得动态形状:

import tensorflow as tf 
import numpy as np

indices = tf.constant([[0, 0],[1, 1]], dtype=tf.int64)
values = tf.constant([1, 1])
dynamic_input = tf.placeholder(tf.float32, shape=[None, None])
s = tf.shape(dynamic_input, out_type=tf.int64)

st = tf.SparseTensor(indices, values, s)
st_ordered = tf.sparse_reorder(st)
result = tf.sparse_tensor_to_dense(st_ordered)

sess = tf.Session()

具有(动态)形状的输入 [5, 3]:

sess.run(result, feed_dict={dynamic_input: np.zeros([5, 3])})

将输出:

array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]], dtype=int32)

具有(动态)形状的输入 [3, 3]:

sess.run(result, feed_dict={dynamic_input: np.zeros([3, 3])})

将输出:

array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 0]], dtype=int32)

好了...动态稀疏形状。