Python 使用tf.sparse_matmul的矩阵乘法使用SparseTensor失败

为什么这不起作用：

pl_input = tf.sparse_placeholder('float32',shape=[None,30])
W = tf.Variable(tf.random_normal(shape=[30,1]), dtype='float32')
layer1a = tf.sparse_matmul(pl_input, weights, a_is_sparse=True, b_is_sparse=False)

错误消息是

TypeError:无法将类型的对象转换为Tensor。内容：SparseTensor（索引=张量（“占位符_11:0”，形状=（？，？），数据类型=int64），值=张量（“占位符_10:0，形状=（？，），数据类型=float32），密集_形状=张量（“占位符_9:0”，形状=（？，），数据类型=int64））。将铸造元素考虑为支持类型。< /代码> 

我希望创建一个sparsetenservalue，从中检索批，然后将批输入到pl_输入中
 TL；博士
使用
tf.sparse\u tensor\u densite\u matmul
代替
tf.sparse\u matmul
；使用
tf.nn.embedded\u lookup\u sparse
查看以寻找替代方法

关于稀疏矩阵和稀疏传感器
这个问题并不特定于
稀疏占位符
，而是由于tensorflow的术语混乱造成的

你有稀疏矩阵。然后就是
SparseTensor
。两者是相关的，但概念不同


稀疏传感器是一种索引其值的结构，可以有效地表示稀疏矩阵或张量
稀疏矩阵是一种主要填充
0
的矩阵。在tensorflow的文档中，它通常不是指
SparseTensor
，而是指一个普通的
Tensor
，主要填充
0
s

因此，了解函数参数的预期类型非常重要

因此，例如，在中，操作数需要是普通的
张量
s，而不是
稀疏传感器
s，独立于
xxx\u is\u稀疏
标志的值，这解释了错误。当这些标志为
True
时，
tf.sparse_matmul
实际期望的是一个（密集的）
张量。换句话说，这些标志服务于而不是输入类型约束。（顺便说一句，这些优化似乎只对你有用）