tensorflow中稠密向量与稀疏矩阵的乘法

Question

在tensorflow中，是否有一种简单的方法来乘稀疏矩阵和稠密张量？我试过了

def sparse_mult(sparse_mat,dense_vec):
    vec = tf.zeros(dense_vec.shape, dense_vec.dtype)
    indices = sparse_mat.indices
    values = sparse_mat.values
    with tf.Session() as sess:
        num_vals = sess.run(tf.size(values))
    for i in range(num_vals):
        vec[indices[i,0]] += values[i] * dense_vec[indices[i,1]]
    return vec

但我得到"TypeError：‘张量’对象不支持项分配。“我试过了

def sparse_mult(sparse_mat,dense_vec):
    vec = tf.zeros(dense_vec.shape, dense_vec.dtype)
    indices = sparse_mat.indices
    values = sparse_mat.values
    with tf.Session() as sess:
        num_vals = sess.run(tf.size(values))
    for i in range(num_vals):
        vec = vec[indices[i,0]].assign(vec[indices[i,0]] + values[i] * dense_vec[indices[i,1]])
    return vec

并得到"ValueError:切片赋值仅支持变量“。使用vec = tf.get_variable('vec', initializer = tf.zeros(dense_vec.shape, dense_vec.dtype))将vec转换为变量会产生同样的错误。是否有一种不太需要记忆的方法来做到这一点？

Answer 1

您应该使用tf.sparse_tensor_dense_matmul()，它正是为了这个目的而发明的。您不需要创建自己的函数。该代码(经过测试)：

import tensorflow as tf

a = tf.SparseTensor( indices = [ [ 0, 0 ], [ 3, 4 ] ],
                     values = tf.constant( [ 1.0, 10 ] ),
                     dense_shape = [ 5, 5 ] )
vec = tf.constant( [ [ 2.0 ], [ 3 ], [ 4 ], [ 5 ], [ 6 ] ] )
c = tf.sparse_tensor_dense_matmul( a, vec )

with tf.Session() as sess:
    res = sess.run( c )
    print( res )

将产出：

[ 2 ]。 0。 0.]

作为参考，我的第一个回答是指tf.sparse_matmul()，它有点令人困惑的 matrices but with a specially designed algorithm for matrices with many zero values。它将被sparse_tensor参数所扼杀。