Python 在TensorFlow中使用稍微稀疏的数据

我有形状的多维输入数据Y

（批次，m，n，c，x）

，其中只有大约15%的m/n值数据存在，其余用零填充。我需要执行的计算是

tf.einsum（“bnx，bmncx->bnc”，X，Y）

我尝试使用tensorflow稀疏矩阵，但这会导致速度大大减慢，甚至会导致更大的数据量

out = Y.__mul__(X[:, tf.newaxis, :, tf.newaxis])
tf.raw_ops.SparseReduceSum(
                    input_indices=out.indices,
                    input_values=out.values,
                    input_shape=tf.cast(tf.shape(out), dtype=tf.int64),
                    reduction_axes=(1, -1)
                )

比tf.einsum慢30倍以上。我的问题是，对于大数据，tf.einsum不能在我的GPU上执行，我知道应该可以将内存使用量减少一大部分

我考虑的另一种方法是自己使用类似

data = []
index = []

for configuration in tf.unstack(Y, axis=0):
    index.append(tf.where(configuration[:, :, 0, 0]))
    data.append(tf.gather_nd(configuration, index[-1]))

但是

数据

和

索引

的大小在每个批次中都不同，我不能在我的

tf.data

输入管道中使用它

我的下一个方法是减小Y中

m

和

n

的大小，并使用一个热编码和X上的一些聚集来执行einsum

如果有人有类似的问题或关于如何获得最佳内存/性能的好主意，我将非常感谢