Python tf.compat.v1.sparse_concat用法及代码示例

沿指定维度连接 SparseTensor 列表。 (不推荐使用的参数)

用法

tf.compat.v1.sparse_concat(
    axis, sp_inputs, name=None, expand_nonconcat_dim=False, concat_dim=None,
    expand_nonconcat_dims=None
)

警告：不推荐使用某些参数：(concat_dim)。它们将在未来的版本中被删除。更新说明：concat_dim 已弃用，请改用轴

连接是关于每个稀疏输入的密集版本。假设每个输入是一个SparseTensor，其元素按递增的维数排序。

如果 expand_nonconcat_dim 为 False，则所有输入的形状都必须匹配，除了 concat 维度。如果 expand_nonconcat_dim 为 True，则允许输入的形状在所有输入之间变化。

indices , values 和 shapes 列表必须具有相同的长度。

如果 expand_nonconcat_dim 为 False，则输出形状与输入形状相同，除了沿 concat 维度，它是沿该维度的输入大小的总和。

如果expand_nonconcat_dim 为True，则沿非连接维度的输出形状将扩展为所有输入中最大的，它是沿连接维度的输入大小的总和。

输出元素将被用来保持随着维度数增加的排序顺序。

此操作在 O(M log M) 时间运行，其中 M 是所有输入中非空值的总数。这是由于需要内部排序以便在任意维度上有效连接。

例如，如果 axis = 1 和输入是

sp_inputs[0]:shape = [2, 3]
[0, 2]:"a"
[1, 0]:"b"
[1, 1]:"c"

sp_inputs[1]:shape = [2, 4]
[0, 1]:"d"
[0, 2]:"e"

那么输出将是

shape = [2, 7]
[0, 2]:"a"
[0, 4]:"d"
[0, 5]:"e"
[1, 0]:"b"
[1, 1]:"c"

从图形上看，这相当于做

[    a] concat [  d e  ] = [    a   d e  ]
[b c  ]        [       ]   [b c          ]

另一个例子，如果'axis = 1'并且输入是

sp_inputs[0]:shape = [3, 3]
[0, 2]:"a"
[1, 0]:"b"
[2, 1]:"c"

sp_inputs[1]:shape = [2, 4]
[0, 1]:"d"
[0, 2]:"e"

如果expand_nonconcat_dim = False，这将导致错误。但是如果expand_nonconcat_dim = True，这将导致：

shape = [3, 7]
[0, 2]:"a"
[0, 4]:"d"
[0, 5]:"e"
[1, 0]:"b"
[2, 1]:"c"

从图形上看，这相当于做

[    a] concat [  d e  ] = [    a   d e  ]
[b    ]        [       ]   [b            ]
[  c  ]                    [  c          ]