在 Tensorflow 中使用不同的 Tensor 类型
Working with different Tensor types in Tensorflow
我正在努力处理不同的张量类型和它们之间的操作。例如，基本除法 tf.divide(a, b) 给我以下错误：
TypeError: Failed to convert elements of SparseTensor(indices=Tensor("inputs_8_copy:0", shape=(None, 2), dtype=int64), values=Tensor("cond/Cast_1:0", shape=(None,), dtype=float64), dense_shape=Tensor("inputs_10_copy:0", shape=(2,), dtype=int64)) to Tensor. Consider casting elements to a supported type. See https://www.tensorflow.org/api_docs/python/tf/dtypes for supported TF dtypes.
我可以通过在 a 和 b 上调用 tf.sparse.to_dense 来解决这个问题。但是当数据集很大时，该方法无法扩展。它通常也不起作用，因为我不知道所有特征的张量类型（我在 TFT 中的 preprocessing_fn 中工作，数据来自 BigQuery）。
这似乎是一个很常见的问题，应该有一个简单的答案，但我找不到关于它的任何信息。像基本除法这样的东西应该不会造成这么大的麻烦吧？
事实上，这是一个很难的问题。
特别是对于 element-wise 除法，假设 ai 和 bi 是标量。如果 ai = 0 且 bi 不为零，则 ai/bi = 0，但如果 ai = 0 且 bi = 0，ai/bi = 怎么办？ 0?
更糟糕的是，如果 ai 不为零且 bi = 0，则 ai/bi 为 NaN！
因此，如果除数是稀疏张量，它将产生（可能很多）NaN，除非两个稀疏矩阵的索引相同。如果将密集矩阵除以稀疏矩阵，也会出现同样的问题。
有一个很好的解决方法，可以根据关系 (a+b)^2 = a^2 + b^2 + 2 ab 将两个稀疏张量 element-wise 相乘。
也可以计算稀疏张量 C 的倒数：tf.SparseTensor(indices=C.indices, values=1/C.values, dense_shape=C.dense_shape).
所以除法有这个NaN问题，关于稠密张量和稀疏张量的混合，一种选择是将稀疏张量转换为稠密张量。但我们想避免这种情况。另一方面，将密集张量转换为稀疏张量，如果张量不是真的稀疏，这可能非常无效。
说了这么多，好像不是个简单的问题。
我正在努力处理不同的张量类型和它们之间的操作。例如，基本除法 tf.divide(a, b) 给我以下错误：
TypeError: Failed to convert elements of SparseTensor(indices=Tensor("inputs_8_copy:0", shape=(None, 2), dtype=int64), values=Tensor("cond/Cast_1:0", shape=(None,), dtype=float64), dense_shape=Tensor("inputs_10_copy:0", shape=(2,), dtype=int64)) to Tensor. Consider casting elements to a supported type. See https://www.tensorflow.org/api_docs/python/tf/dtypes for supported TF dtypes.
我可以通过在 a 和 b 上调用 tf.sparse.to_dense 来解决这个问题。但是当数据集很大时，该方法无法扩展。它通常也不起作用，因为我不知道所有特征的张量类型（我在 TFT 中的 preprocessing_fn 中工作，数据来自 BigQuery）。
这似乎是一个很常见的问题，应该有一个简单的答案，但我找不到关于它的任何信息。像基本除法这样的东西应该不会造成这么大的麻烦吧？
事实上，这是一个很难的问题。
特别是对于 element-wise 除法，假设 ai 和 bi 是标量。如果 ai = 0 且 bi 不为零，则 ai/bi = 0，但如果 ai = 0 且 bi = 0，ai/bi = 怎么办？ 0?
更糟糕的是，如果 ai 不为零且 bi = 0，则 ai/bi 为 NaN！
因此，如果除数是稀疏张量，它将产生（可能很多）NaN，除非两个稀疏矩阵的索引相同。如果将密集矩阵除以稀疏矩阵，也会出现同样的问题。
有一个很好的解决方法，可以根据关系 (a+b)^2 = a^2 + b^2 + 2 ab 将两个稀疏张量 element-wise
也可以计算稀疏张量 C 的倒数：tf.SparseTensor(indices=C.indices, values=1/C.values, dense_shape=C.dense_shape).
所以除法有这个NaN问题，关于稠密张量和稀疏张量的混合，一种选择是将稀疏张量转换为稠密张量。但我们想避免这种情况。另一方面，将密集张量转换为稀疏张量，如果张量不是真的稀疏，这可能非常无效。
说了这么多，好像不是个简单的问题。