【TensorFlow】tf.sparse_to_dense的用法

转载https://blog.csdn.net/mao_xiao_feng/article/details/53365889

tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None)

除去name参数用以指定该操作的name，与方法有关的一共四个参数

第一个参数sparse_indices：稀疏矩阵中那些个别元素对应的索引值。

有三种情况：

sparse_indices是个数，那么它只能指定一维矩阵的某一个元素

sparse_indices是个向量，那么它可以指定一维矩阵的多个元素

sparse_indices是个矩阵，那么它可以指定二维矩阵的多个元素

第二个参数output_shape：输出的稀疏矩阵的shape

第三个参数sparse_values：个别元素的值。

分为两种情况：

sparse_values是个数：所有索引指定的位置都用这个数

sparse_values是个向量：输出矩阵的某一行向量里某一行对应的数（所以这里向量的长度应该和输出矩阵的行数对应，不然报错）

第四个参数default_value：未指定元素的默认值，一般如果是稀疏矩阵的话就是0

举一个例子：

在mnist里面有一个把数字标签转化成onehot标签的操作，所谓onehot标签就是：

如果标签是6那么对应onehot就是[ 0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]

如果标签是1那么对应onehot就是[ 0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]

如果标签是0那么对应onehot就是[ 1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]

就是把标签变为适用于神经网络输出的形式。

BATCHSIZE=6  
label=tf.expand_dims(tf.constant([0,2,3,6,7,9]),1)

假设一个batch有6个样本，每个样本的label是0，2，3，6，7，9

index=tf.expand_dims(tf.range(0, BATCHSIZE),1)

生成一个index表明一个batch里面每个样本对应的序号

(至于这里为什么要调用tf.expand_dims我在上一篇博客已经解释过了，链接：http://blog.csdn.net/mao_xiao_feng/article/details/53366163)

concated = tf.concat(1, [index, label])

最后把他们两个矩阵进行连接，连接以后的矩阵是这样的

[[0 0]  
 [1 2]  
 [2 3]  
 [3 6]  
 [4 7]  
 [5 9]]

onehot_labels = tf.sparse_to_dense(concated, tf.pack([BATCHSIZE,10]), 1.0, 0.0)

最后一步，调用tf.sparse_to_dense输出一个onehot标签的矩阵，输出的shape就是行数为BATCHSIZE，列数为10的矩阵，指定元素值为1.0，其余元素值为0.0

程序源码：

import tensorflow as tf  
import numpy  


BATCHSIZE=6  
label=tf.expand_dims(tf.constant([0,2,3,6,7,9]),1)  
index=tf.expand_dims(tf.range(0, BATCHSIZE),1)  
#use a matrix  
concated = tf.concat(1, [index, label])  
onehot_labels = tf.sparse_to_dense(concated, tf.pack([BATCHSIZE,10]), 1.0, 0.0)  

#use a vector  
concated2=tf.constant([1,3,4])  
#onehot_labels2 = tf.sparse_to_dense(concated2, tf.pack([BATCHSIZE,10]), 1.0, 0.0)#cant use ,because output_shape is not a vector  
onehot_labels2 = tf.sparse_to_dense(concated2, tf.pack([10]), 1.0, 0.0)#can use  

#use a scalar  
concated3=tf.constant(5)  
onehot_labels3 = tf.sparse_to_dense(concated3, tf.pack([10]), 1.0, 0.0)  

with tf.Session() as sess:  
    result1=sess.run(onehot_labels)  
    result2 = sess.run(onehot_labels2)  
    result3 = sess.run(onehot_labels3)  
    print ("This is result1:")  
    print (result1)  
    print ("This is result2:")  
    print (result2)  
    print ("This is result3:")  
    print (result3)

输出结果：

This is result1:  
[[ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]  
 [ 0.  0.  1.  0.  0.  0.  0.  0.  0.  0.]  
 [ 0.  0.  0.  1.  0.  0.  0.  0.  0.  0.]  
 [ 0.  0.  0.  0.  0.  0.  1.  0.  0.  0.]  
 [ 0.  0.  0.  0.  0.  0.  0.  1.  0.  0.]  
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  1.]]  
This is result2:  
[ 0.  1.  0.  1.  1.  0.  0.  0.  0.  0.]  
This is result3:  
[ 0.  0.  0.  0.  0.  1.  0.  0.  0.  0.]

【TensorFlow】tf.sparse_to_dense的用法

猜你喜欢