Python N元组网络的Keras（稀疏输入）

我正在尝试使用keras训练N元组网络。N元组网络只是一个热激活模式的稀疏数组。假设棋盘上有64个方块，每个方块包含可能的N种棋子，因此，对于64*N个可能的参数，将始终有64个激活的方块，并存储为2d数组[64][N]。或者每个可能的2x2正方形，因此每个正方形有N^4个可能的配置。这种网络是线性的，将输出1个值。培训是一个很好的老SGD之类的

我用C++中的代码，使用查找表和求和，成功地训练了网络。但我尝试使用keras，因为keras允许使用不同的优化算法、GPU等。对于初学者，我将2d数组更改为大向量，但很快它就变得不切实际了。有数千个可能的参数，其中只有少数（固定）个1，其余为0

我想知道在keras（或类似的库）中是否可以使用这样的训练数据：13,16,11,11,5，…，3，其中这些数字将是索引，而不是使用一个大向量0,0,0,0,0，…，1,0,0,0，…，1,0,0，…，0，

你可以使用，），然后设置

sparse=True

---

---

---

非常感谢。也许它现在并没有完全解决我的问题，至少我知道该找什么了。

def sparse_one_hot(y):

  m = len(y)
  n_classes = len(tf.unique(tf.squeeze(y))[0])

  dim2 = tf.range(m, dtype='int64')[:, None]
  indices = tf.concat([y, dim2], axis=1)

  ones = tf.ones(shape=(m, ), dtype='float32')

  sparse_y = tf.sparse.SparseTensor(indices, ones, dense_shape=(m, n_classes))
  
  return sparse_y

import tensorflow as tf

y = tf.random.uniform(shape=(10, 1), minval=0, maxval=4, dtype=tf.int64)

sparse_y = sparse_one_hot(y) # sparse_y.values, sparse_y.indices

# set sparse=True, for Input
# tf.keras.Input(..., sparse=True, ...)