Python 如何解决tensorflow中动态_划分的无效参数问题？

我试图使用

tf.dynamic_partition（）

替换

tf.gather（）

，以避免将稀疏表示隐式转换为密集矩阵

这是我的密码

# edge_source_states = tf.gather(params=node_states_per_layer[-1], indices=edge_sources)
partitions0 = tf.reduce_sum(tf.one_hot(edge_sources, tf.shape(node_states_per_layer[-1])[0], dtype='int32'),
                                                        0)
edge_source_states = tf.dynamic_partition(node_states_per_layer[-1], partitions0, 2)
edge_source_states = edge_source_states[1]

注释是

tf.gather（）

的原始用法。使用

tf.gather（）

时没有错误，唯一的问题是它将稀疏表示转换为密集矩阵，从而消耗大量内存。
但是，当我使用

tf.dynamic_partition（）

方法时，我得到了一个错误：

InvalidArgumentError (see above for traceback): partitions[21] = 2 is not in [0, 2)

根据回溯，这个错误是由以下句子引起的：

edge_source_states = tf.dynamic_partition(node_states_per_layer[-1], partitions0, 2)

作为一个新手，我真的搞不懂

我的问题是：

1） 我认为我使用

tf.dynamic_partition（）

的新代码在功能上等同于使用

tf.gather（）的原始代码。那么，为什么会出现错误呢

2） 
tf.dynamic_partition（）
是否像
tf.gather（）
那样避免了从稀疏到密集的隐式转换？还有其他解决办法吗？我真的需要严格控制内存消耗。
问题是你的
分区0
张量在某个点上有一个
2
（可能比
1
有更多的值）。我想这意味着
edge\u源中有重复的值。在这种情况下，
tf.dynamic_partition
本身对您没有用处，因为它将每个值分配给一个分区，并且不能“重用”值。一个值的重复次数有限制吗？我不确定我是否理解你关于密集矩阵和稀疏矩阵的推理。
node\u states\u per\u layer[-1]
和
edge\u sources
都是正则张量，正如您所说，当
edge\u sources
中没有重复值时，这两种方法（我认为）应该做同样的事情。如果可以使用，第二个可能会更快，但如果不能，我不确定是什么通过
tf.gather
从稀疏转换为密集。（我确实知道
tf.gather
的速度可能有点慢）@jdehesa是的，我认为你是对的。错误应该是由分区0的元素大于1引起的。事实上，在我的edge_资源中总是有重复的元素。所以直接应用动态分区似乎是不可行的。你知道我还能做些什么来避免转换和减少内存使用吗？