Question

我想在python的tensorflow中使用稀疏张量进行训练。我找到了很多代码来做到这一点，但是没有一个起作用。

下面的示例代码显示了我的意思，它引发了错误：

import numpy as np
x_vals = tf.sparse.SparseTensor([[0, 0], [0, 1], [1, 2]], [1, 2, 1], [2, 3])
#x_vals = tf.sparse.to_dense(x_vals)    #this line decides, if there is an error
y_vals = np.array([0, 1])

layer_args = lambda : None
layer_args.input_shape = (3,)
layer_args.activation = "sigmoid"
layer_args.use_bias = False

model = tf.keras.models.Sequential(tf.keras.layers.Dense(1, **layer_args.__dict__))

model.compile(loss = "mse")

model.fit(x_vals, y_vals)

错误是：

ValueError: The two structures don't have the same nested structure.

...以及巨大的堆栈跟踪

Answer 1

好的，我知道了它是如何工作的。最简单的解决方案是使用生成器：

from random import shuffle
def data_generator(x_vals, y_vals):
    inds = list(range(x_vals.shape[0]))
    shuffle(inds)
    for ind in inds:
        yield (x_vals[ind, :].todense(), y_vals[ind])

然后将生成器用于合适的x值：

model.fit(data_generator(x_vals, y_vals))

但是它非常慢。同样，您一次只能训练一个纪元，并且有很多无法使用的keras功能。可能也是tensorflow.keras.utils.Sequence：

class SparseSequence(tf.keras.utils.Sequence):
    def __init__(self, x_vals, y_vals, batch_size = 32):
        self.x_vals = x_vals
        self.y_vals = y_vals
        self.inds = list(range(x_vals.shape[0]))
        shuffle(self.inds)
        self.batch_size = batch_size
    def __getitem__(self, item):
        from_ind = self.batch_size * item
        to_ind = self.batch_size * (item + 1)
        return (self.x_vals[self.inds[from_ind:to_ind], :].todense(),
                y_vals[self.inds[from_ind:to_ind]])
    def on_epoch_end(self):
        shuffle(self.inds)
    def __len__(self):
        return math.ceil(self.x_vals.shape[0] / self.batch_size)

然后在fit函数中使用它：

model.fit(SparseSequence(x_vals, y_vals))

请记住，首先需要将数据转换为scipy csr稀疏矩阵，否则代码将无法工作。还请记住不要在Model.fit（）中使用“ y”关键字。

稀疏数据的张量流训练

1 个答案: