C++ 添加自定义稀疏运算(稀疏行列式)
我正在尝试在Tensorflow中使用一些稀疏矩阵运算。我要解决的第一个问题是稀疏行列式,通过稀疏Cholesky分解。伊根有一个稀疏的Cholesky,所以我的想法是把它包起来 我一直在进步,但现在有点卡住了。我知道Tensorflow中的稀疏传感器由三部分组成:C++ 添加自定义稀疏运算(稀疏行列式),c++,tensorflow,C++,Tensorflow,我正在尝试在Tensorflow中使用一些稀疏矩阵运算。我要解决的第一个问题是稀疏行列式,通过稀疏Cholesky分解。伊根有一个稀疏的Cholesky,所以我的想法是把它包起来 我一直在进步,但现在有点卡住了。我知道Tensorflow中的稀疏传感器由三部分组成:索引,值,和形状。复制类似的操作时,我选择了以下寄存器\u OP声明: REGISTER_OP("SparseLogDet") .Input("a_indices: int64") .Input("a_values:
索引
,值
,和形状
。复制类似的操作时,我选择了以下寄存器\u OP
声明:
REGISTER_OP("SparseLogDet")
.Input("a_indices: int64")
.Input("a_values: float32")
.Input("a_shape: int64")
.Output("determinant: float32")
.SetShapeFn([](::tensorflow::shape_inference::InferenceContext* c) {
shape_inference::ShapeHandle h;
c->set_output(0, h);
return Status::OK();
});
这可以很好地编译,但当我使用一些示例代码运行它时:
import tensorflow as tf
log_det_op = tf.load_op_library('./sparse_log_det_op.so')
with tf.Session(''):
t = tf.SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2],
dense_shape=[3, 4])
print(log_det_op.sparse_log_det(t).eval().shape)
print(log_det_op.sparse_log_det(t).eval())
它抱怨说:
TypeError:sparse\u log\u det()缺少两个必需的位置参数:“a\u值”和“a\u形状”
这对我来说很有意义,因为它期待着其他的论点。然而,我真的只想传递稀疏张量,而不是将其分解为组件!有人知道其他稀疏操作是如何处理的吗
谢谢 如果您希望传入稀疏张量,然后从中确定
索引
、值
和形状
,这应该是可能的。只需修改OP以获取单个张量
输入,并生成单个浮点
输出。然后通过元素循环,从特征::张量中提取所需信息,如下所示:
#include "tensorflow/core/framework/op.h"
#include "tensorflow/core/framework/shape_inference.h"
#include "tensorflow/core/framework/op_kernel.h"
#include <Eigen/Dense>
using namespace tensorflow;
REGISTER_OP("SparseDeterminant")
.Input("sparse_tensor: float")
.Output("sparse_determinant: float");
class SparseDeterminantOp : public OpKernel {
public:
explicit SparseDeterminantOp(OpKernelConstruction *context) : OpKernel(context) {}
void Compute(OpKernelContext *context) override {
// get the input tesnorflow tensor
const Tensor& sparse_tensor = context->input(0);
// get shape of input
const TensorShape& sparse_shape = sparse_tensor.shape();
// get Eigen Tensor for input tensor
auto eigen_sparse = sparse_tensor.matrix<float>();
//extract the data you want from the sparse tensor input
auto a_shape = sparse_tensor.shape();
// loop over all elements of the input tensor and add to values and indices
for (int i=0; i<a_shape.dim_size(0); ++i){
for (int j=0; j<a_shape.dim_size(1); ++j){
if(eigen_sparse(i,j) != 0){
/// ***Here add non zero elements to list/tensor of values and their indicies***
std::cout<<eigen_sparse(i,j)<<" at"<<" "<<i<<" "<<j<<" "<<"not zero."<<std::endl;
}
}
}
// create output tensor
Tensor *output_tensor = NULL;
TensorShape output_shape;
OP_REQUIRES_OK(context, context->allocate_output(0, output_shape, &output_tensor));
auto output = output_tensor->scalar<float>();
output(0) = 1.; //**asign return value***;
}
};
REGISTER_KERNEL_BUILDER(Name("SparseDeterminant").Device(DEVICE_CPU), SparseDeterminantOp);
//run.py
import tensorflow as tf
import numpy as np
my_module = tf.load_op_library('./out.so')
# create sparse matrix
a = np.zeros((10,10))
for i in range(len(a)):
a[i,i] = i
print(a)
a_t = tf.convert_to_tensor(a, dtype= float)
with tf.Session() as sess:
sess.run(my_module.sparse_determinant(a_t))