Python 在Tensorflow函数中使用稀疏矩阵参数

我是Tensorflow的新手。我试图用python编写一个函数，使用Tensorflow对稀疏矩阵输入进行操作。通常我会定义一个tensorflow占位符，但显然稀疏矩阵没有占位符

定义对tensorflow中的稀疏数据进行操作并向其中传递值的函数的正确方法是什么

具体地说，我试图重写一个多层感知器的基本示例，在这里找到的，接受稀疏输入而不是密集输入

作为一个虚拟示例，您将如何编写一个类似这样的函数

import tensorflow as tf


x = tf.placeholder("sparse")
y = tf.placeholder("float", [None, n_classes])

# Create model
def sparse_multiply(x, y):

    outlayer = tf.sparse_tensor_dense_matmul(x, y)

    return out_layer

pred = multiply(x, y)

# Launch the graph
with tf.Session() as sess:
    result = sess.run(pred, feed_dict={x: x_input, y: y_input})

链接中的某个人建议，作为一种解决方法，传入构建稀疏矩阵所需的元素，然后在函数中动态创建稀疏矩阵。这似乎有点老套，当我试图以这种方式构建它时，我会出错

---

任何帮助，特别是代码的答案，将不胜感激

我想我知道了。我链接到的建议实际上起了作用，我只需要更正所有输入，使其具有一致的类型。下面是我在问题中列出的虚拟示例，代码正确：

import tensorflow as tf

import sklearn.feature_extraction
import numpy as np


def convert_csr_to_sparse_tensor_inputs(X):
    coo = X.tocoo()
    indices = np.mat([coo.row, coo.col]).transpose()
    return indices, coo.data, coo.shape


X = ____ #Some sparse 2 x 8 csr matrix

y_input = np.asarray([1, 1, 1, 1, 1, 1, 1, 1])
y_input.shape = (8,1)


x_indices, x_values, x_shape = convert_csr_to_sparse_tensor_inputs(X)

# tf Graph input
y = tf.placeholder(tf.float64)
values = tf.placeholder(tf.float64) 
indices = tf.placeholder(tf.int64)
shape = tf.placeholder(tf.int64) 

# Create model
def multiply(values, indices, shape, y):

    x_tensor = tf.SparseTensor(indices, values, shape)    

    out_layer = tf.sparse_tensor_dense_matmul(x_tensor, y)


    return out_layer

pred = multiply(values, indices, shape, y)

# Launch the graph
with tf.Session() as sess:
    result = sess.run(pred, feed_dict={values: x_values, indices: x_indices, shape: x_shape, y: y_input})