Question

我想将稀疏张量作为简单的基于张量流的递归神经网络的输入。为此，我使用以下代码：

model = keras.Sequential()
model.add(keras.Input(shape=(1, features_dim), sparse=True))
model.add(keras.layers.RNN(keras.layers.SimpleRNNCell(hidden_layer_dim, activation="sigmoid")))
model.add(keras.layers.Dense(labels_dim, activation='softmax'))

model.compile(optimizer=keras.optimizers.SGD(lr=learning_rate, momentum=0.0, decay=0.0, nesterov=False),
              loss='sparse_categorical_crossentropy',
              metrics=[keras.metrics.SparseCategoricalAccuracy()])

model.fit(
      training_data, 
      training_labels,
      epochs=num_epochs, 
      batch_size=batch_size, 
      shuffle=True
    )

features_dim表示数字特征，training_labels是包含相应标签的NumPy数组，training_data是由COO格式的稀疏矩阵创建的稀疏张量，形状为（[num_entries，1， num_features]）。

但是，当我尝试运行此命令时，出现此错误：

TypeError：无法将类型的对象转换为Tensor。内容：SparseTensor（indices = Tensor（“ cond_1 / Identity：0”，shape =（None，3），dtype = int64，device = / job：localhost / replica：0 / task：0 / device：CPU：0）， values = Tensor（“ cond_1 / Identity_1：0”，shape =（None，），dtype = float64，device = / job：localhost / replica：0 / task：0 / device：CPU：0），density_shape = Tensor（“ stack：0“，shape =（3，），dtype = int64，device = / job：localhost / replica：0 / task：0 / device：CPU：0）。考虑将元素强制转换为受支持的类型。

我对这个错误有点迷茫。我给人的印象是TensorFlow可以处理稀疏数据而无需进行转换。此外，如果有必要进行转换，我不确定为什么会失败。如果我使用tf.sparse.to_dense()手动转换，我可以运行上面的代码（没有sparse = True）很好。因此，我从coo-matrix来创建sparsetensor的方式似乎没有什么问题（至少据我所知）。

编辑：

我现在已经测试了提供的答案 Using sparse matrices with Keras and Tensorflow。不幸的是，它们都没有解决我的问题而没有牺牲至少一批的稀疏性。没有其他可能性了吗？

为什么我的稀疏张量不能转换为张量

0 个答案: