衣衫褴褛的张量

    概述

    你的数据有多种形式;你的张量也应该如此。衣衫褴褛的张量TensorFlow等价于嵌套变长列表。它们使存储和处理具有非均匀形状的数据变得容易，包括:

    • 可变长度的特征，如电影中的一组演员
    • 成批可变长度的顺序输入，如句子或视频剪辑。
    • 分层输入，例如被细分为段落、段落、句子和单词的文本文档。
    • 结构化输入中的单个字段，例如协议缓冲区。

    用粗糙张量能做什么

    不规则张量由超过100个TensorF卡塔尔世界杯欧洲预选赛赛程表low操作支持，包括数学操作(如tf增加美元而且tf reduce_mean美元)、数组操作(例如tf concat美元而且tf美元瓦)，字符串操作操作(例如tf美元的子串)，以及其他许多:

    图书馆(tensorflow)数字< -特遣部队＄衣衫褴褛的＄常数（列表（列表（3.，1，4，1)，列表()，列表（5，9，2)，列表（6)，列表())）话说=特遣部队＄衣衫褴褛的＄常数（列表（列表（“所以”，“长”)，列表（“谢谢”，“对”，“所有”，“的”，“鱼”）)）特遣部队＄添加(数字,3.）
    # #特遣部队。RaggedTensor(values=张量("Add_1:0"， shape=(8，)， dtype=float32)， row_partitions =张量("RaggedConstant/ raggedfromrow劈裂/ row_劈裂:0"，shape=(6，)， dtype=int64))
    ## Tensor("RaggedReduceMean/truediv:0"， shape=(5，)， dtype=float32)
    特遣部队＄concat（列表(数字,列表（列表（5，3.))),轴=0 l)
    # #特遣部队。RaggedTensor(values=Tensor("RaggedConcat/concat:0"， shape=(10，)， dtype=float32)， row_partitions =Tensor("RaggedConcat/concat_1:0"， shape=(7，)， dtype=int64))
    # #特遣部队。RaggedTensor(values=Tensor("RaggedTile/Tile:0"， shape=(?，)， dtype=float32)， row_partitions =Tensor("RaggedTile/concat_1:0"， shape=(6，)， dtype=int64))
    # #特遣部队。RaggedTensor(values=Tensor("Substr_1:0"， shape=(7，)， dtype=string)， row_fragments =Tensor("RaggedConstant_1/ raggedfromrowfragments / row_fragments:0"， shape=(3，)， dtype=int64))

    还有许多方法和操作是针对不规则张量的，包括工厂方法、转换方法和值映射操作。

    和普通张量一样，你可以使用r风格的索引来访问不规则张量的特定切片。有关更多信息，请参见关于索引在下面。

    ## Tensor("RaggedGetItem/strided_slice_5:0"， shape=(4，)， dtype=float32)
    # #特遣部队。RaggedTensor(values=Tensor("RaggedGetItem_1/GatherV2:0"， shape=(?，)， dtype=float32)， row_partitions =Tensor("RaggedGetItem_1/RaggedRange:0"， shape=(6，)， dtype=int64))
    ##警告:负数在subsetting tensorflow张量时被python样式解释。(他们从后面计数来选择物品)。要关闭此警告，请设置'options(tensorflow.extract. txt)。warn_negatives_pythonic = FALSE) '
    # #特遣部队。RaggedTensor(values=Tensor("RaggedGetItem_2/GatherV2:0"， shape=(?，)， dtype=float32)， row_partitions =Tensor("RaggedGetItem_2/RaggedRange:0"， shape=(6，)， dtype=int64))

    就像普通张量一样，您可以使用Python算术和比较操作符来执行elementwise操作。有关更多信息，请参阅下面的重载操作符一节。

    # #特遣部队。RaggedTensor(values=Tensor("Add_3:0"， shape=(8，)， dtype=float32)， row_劈裂=张量("RaggedConstant/ raggedfromrow劈裂/ row_劈裂:0"，shape=(6，)， dtype=int64))
    数字+特遣部队＄衣衫褴褛的＄常数（列表（列表（1，2，3.，4)，列表()，列表（5，6，7)，列表（8)，列表()))
    # #特遣部队。RaggedTensor(values=张量("Add_5:0"， shape=(?，)， dtype=float32)， row_partitions =张量("RaggedTile_1/concat_1:0"， shape=(6，)， dtype=int64))

    如果你需要执行一个elementwise转换到RaggedTensor的值，你可以使用tf衣衫褴褛map_flat_values美元，它接受一个函数加上一个或多个参数，并应用该函数转换RaggedTensor的值。

    # #特遣部队。RaggedTensor(values=张量("Add_6:0"， shape=(8，)， dtype=float32)， row_partitions =张量("RaggedConstant/ raggedfromrowpartitions / row_partitions:0"， shape=(6，)， dtype=int64))

    构造粗糙张量

    构造粗糙张量最简单的方法是用tf衣衫褴褛的美元不变，以建立RaggedTensor对应一个给定的嵌套列表：

    句子< -特遣部队＄衣衫褴褛的＄常数（列表（列表（“我们”，“构建”，“一些”，“衣衫褴褛”，“张量”，“啊!”)，列表（“我们”，“可以”，“使用”，“tf.ragged.constant”，“。”))）
    段落< -特遣部队＄衣衫褴褛的＄常数（列表（列表（列表（“我”，“有”，“一个”，“猫”)，列表（“他”，“名字”，“是”，“垫”)),列表（列表（“做”，“你”，“想要”，”到“，“来”，“访问”)，列表（“我”，“免费”，“明天”）)）)段落
    # # tf.RaggedTensor(值=特遣部队。RaggedTensor（值=张量（"RaggedConstant_4/values:0", shape=(17,), dtype=string), row_splits=Tensor("RaggedConstant_4/RaggedFromRowSplits/row_splits:0", shape=(5,), dtype=int64)), row_splits=Tensor("RaggedConstant_4/RaggedFromRowSplits_1/row_splits:0", shape=(3,), dtype=int64))

    粗糙张量也可以通过对平面来构造值张量与row-partitioning张量表明这些值应该如何划分成行，使用工厂类方法，如tf RaggedTensor from_value_rowids美元，tf RaggedTensor from_row_lengths美元,tf RaggedTensor from_row_splits美元．

    tf RaggedTensor from_value_rowids美元

    如果您知道每个值属于哪一行，那么您就可以构建一个RaggedTensor使用一个value_rowidsrow-partitioning张量:

    特遣部队＄RaggedTensor＄from_value_rowids（值=as.integer（c（3.，1，4，1，5，9，2，6)),value_rowids =as.integer（c（0，0，0，0，2，2，2，3.))）
    # #特遣部队。RaggedTensor(values=Tensor("RaggedFromValueRowIds/values:0"， shape=(8，)， dtype=int32)， row_劈裂=Tensor("RaggedFromValueRowIds/concat:0"， shape=(5，)， dtype=int64))

    tf.RaggedTensor.from_row_lengths

    如果你知道每一行有多长，那么你可以用arow_lengthsrow-partitioning张量:

    特遣部队＄RaggedTensor＄from_row_lengths（值=as.integer（c（3.，1，4，1，5，9，2，6)),row_lengths =as.integer（c（4，0，3.，1))）
    # #特遣部队。RaggedTensor(values=Tensor(" raggedfromrowlength/ values:0"， shape=(8，)， dtype=int32)， row_partitions =Tensor(" raggedfromrowlength/ concat:0"， shape=(5，)， dtype=int64))

    tf.RaggedTensor.from_row_splits

    如果知道每一行开始和结束的索引，则可以使用row_splitsrow-partitioning张量:

    row_splits

    row_splits

    特遣部队＄RaggedTensor＄from_row_splits（值=as.integer（c（3.，1，4，1，5，9，2，6)),row_splits =as.integer（c（0，4，4，7，8))）
    # #特遣部队。RaggedTensor(values=Tensor(" raggedfromrowfragments /values:0"， shape=(8，)， dtype=int32)， row_fragments =Tensor(" raggedfromrowfragments / row_fragments:0"， shape=(5，)， dtype=int64))

    看到特遣部队。RaggedTensor类文档，以获取工厂方法的完整列表。

    你可以在不规则张量中存储什么

    与正常张量S, a中的值RaggedTensor必须具有相同的类型;并且这些值必须都在相同的嵌套深度排名的张量):

    特遣部队＄衣衫褴褛的＄常数（列表（列表（“嗨”)，列表（“如何”，“是”，“你”))）# ok: type=string, rank=2
    # #特遣部队。RaggedTensor(values=Tensor("RaggedConstant_5/values:0"， shape=(4，)， dtype=string)， row_fragments =Tensor("RaggedConstant_5/ raggedfromrowfragments / row_fragments:0"， shape=(3，)， dtype=int64))
    特遣部队＄衣衫褴褛的＄常数（列表（列表（“一”，“两个”)，列表（3.，4))）# bad:多种类型
    特遣部队＄衣衫褴褛的＄常数（列表（“一个”，列表（“B”，“C”))）# bad:多个嵌套深度

    这是对TensorFlow中的不规则张量的一个简单介绍。参见完整教程(Python版本)在这里．