Python tensorflow中稠密向量与稀疏矩阵的乘积

在tensorflow中，有没有一种简单的方法可以将稀疏矩阵和稠密张量相乘？ 我试过了

但我得到了“TypeError:‘Tensor’对象不支持项目分配。”我尝试了

并得到“ValueError:仅变量支持切片赋值” 将vec转换为带有

vec=tf.get_variable（'vec'，初始值设定项=tf.zero（densite_vec.shape，densite_vec.dtype））

的变量会产生相同的错误。有没有一种不太占用内存的方法呢？

你应该使用专门为这个目的而发明的方法。您不需要创建自己的函数。此代码（已测试）：

将tensorflow导入为tf
a=tf.SparseTensor（指数=[[0,0]，[3,4]]，
值=tf.常数（[1.0,10]），
密集_形=[5,5]）
向量=tf.常数（[[2.0]、[3]、[4]、[5]、[6]）
c=tf.稀疏张量密度matmul（a，vec）
使用tf.Session（）作为sess：
res=sess.run（c）
打印（res）

将输出：

[[2.]
[0.]
[0.]
[60.]
[0.]]

---

---

作为参考，我的第一个答案是提到，这有点令人困惑。它将被稀疏张量参数阻塞。

只需在向量中添加一个大小为1的额外维度。tf.sparse_matmul（）位于两个矩阵之间，而不是矩阵和向量之间。我尝试将向量保存为另一个稀疏矩阵并执行此操作，但这会导致“类型错误：无法将类型的对象转换为张量。内容：SparseTensor（索引=张量（“SparseTensor_6/索引：0”），shape=（2，2），dtype=int64），Value=张量（“SparseTensor_6/值：0”，shape=（2，），dtype=float32），dense_形状=张量（“SparseTensor_6/dense_形状：0，shape=（2，），dtype=int64）。考虑到铸造元素为支持类型。“我的代码是<代码> A= TF.SPARSETSENSOR（索引= [0[0]，[1,1]），值= [1.0，1.0]，B= TF。SfStServor（索引= [0[0]，[1,0]），值= [1.0，1.0]，DeNeSySt= = [2，2]）TF。好的，让我做一点实验。更新了我的答案。

tf.sparse\u matmul（）

（令人困惑地）做了其他事情，你是对的。

def sparse_mult(sparse_mat,dense_vec):
    vec = tf.zeros(dense_vec.shape, dense_vec.dtype)
    indices = sparse_mat.indices
    values = sparse_mat.values
    with tf.Session() as sess:
        num_vals = sess.run(tf.size(values))
    for i in range(num_vals):
        vec[indices[i,0]] += values[i] * dense_vec[indices[i,1]]
    return vec

def sparse_mult(sparse_mat,dense_vec):
    vec = tf.zeros(dense_vec.shape, dense_vec.dtype)
    indices = sparse_mat.indices
    values = sparse_mat.values
    with tf.Session() as sess:
        num_vals = sess.run(tf.size(values))
    for i in range(num_vals):
        vec = vec[indices[i,0]].assign(vec[indices[i,0]] + values[i] * dense_vec[indices[i,1]])
    return vec