Question

我在TensorFlow中进行矩阵分解，我想使用Spicy.sparse中的coo_matrix，因为它使用更少的内存，并且可以很容易地将我的所有数据放入我的矩阵中来训练数据。

是否可以使用coo_matrix来初始化张量流中的变量？

或者我是否必须创建一个会话并使用sess.run（）和feed_dict将我获得的数据提供给tensorflow。

我希望你理解我的问题和我的问题否则发表评论，我会尝试解决它。

Answer 1

TensorFlow与scipy.sparse.coo_matrix最接近的是tf.SparseTensor，它是tf.Tensor的稀疏等价物。将coo_matrix提供给您的程序可能最简单。

tf.SparseTensor是COO矩阵的略微概括，其中张量表示为三个密集tf.Tensor个对象：

indices：N x D个tf.int64值矩阵，其中每行代表非零值的坐标。 N是非零的数量，D是等效密集张量的等级（在矩阵的情况下为2）。
values：长度 - N值向量，其中元素i是其坐标在i indices上给出的元素的值}。
dense_shape：D的长度 - tf.int64向量，代表等效密集张量的形状。

例如，您可以使用以下代码，该代码使用tf.sparse_placeholder()定义您可以提供的tf.SparseTensor，以及代表实际提供值的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)

将coo_matrix转换为tf.SparseTensorValue后，您可以直接向sparse_input提供tf.SparseTensorValue：

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

在TensorFlow中使用coo_matrix

1 个答案: