Python 问题“的后续行动”；在TensorFlow中使用coo_矩阵；

在对问题的答复中提到：

tf_coo_matrix = tf.SparseTensorValue(
indices=np.array([coo_matrix.rows, coo_matrix.cols]).T,
values=coo_matrix.data,
dense_shape=coo_matrix.shape)

---

我试图理解为什么在使用TensorFlow时需要转置scipy稀疏矩阵。提前感谢。

如果您查看的文档中，

索引

预计为二维张量，维度为

（N，ndims）

，其中

N

是稀疏张量中的非零值数量，

ndims

是其维度数量。对于稀疏矩阵（二维），每行将包含

值中相应值的行和列

在代码段中，
coo_矩阵.rows
是稀疏矩阵的行索引数组，
coo_矩阵.cols
是列索引数组
np.array（[coo_matrix.rows，coo_matrix.cols]）
将是一个包含两行和
N
列的数组，这与稀疏张量所期望的顺序相反，因此将其与
.T
进行转置可以得到
（N，2）
索引张量。并不是说你没有转置稀疏矩阵，索引仍然保持不变，你只是按照要求的顺序将它们赋给
tf.sparsetenservalue
。例如，您可以通过执行np.stack（[coo_matrix.rows，coo_matrix.cols]，axis=1）来获得相同的结果