3D SparseTensor 矩阵乘以 2D 张量：InvalidArgumentError：张量“a_shape”必须有 2 个元素 [Op:SparseTensorDenseMatMul]

Question

嗨，我正在尝试使用 2D 张量进行 3D SparseTensor 矩阵乘法。 这是一个玩具示例：

3D 张量矩阵与二维张量相乘

import tensorflow as tf
import numpy as np

a = np.array([[[1., 0., 2., 0.],
              [3., 0., 0., 4.]]])
b = (np.array([1., 2.])[:,np.newaxis]).T

a_t = tf.constant(a)
b_t = tf.constant(b)
    
tf.matmul(b_t,a_t)

<tf.Tensor: shape=(1, 1, 4), dtype=float64, numpy=array([[[7., 0., 2., 8.]]])>

3D SparseTensor 矩阵乘法与二维张量

import tensorflow as tf
import numpy as np

a = np.array([[[1., 0., 2., 0.],
              [3., 0., 0., 4.]]])
b = (np.array([1., 2.])[:,np.newaxis]).T

a_t = tf.constant(a)
b_t = tf.constant(b)

a_s = tf.sparse.from_dense(a_t)

tf.sparse.sparse_dense_matmul(b_t,a_s)

InvalidArgumentError: Tensor 'a_shape' must have 2 elements [Op:SparseTensorDenseMatMul]

你能帮我解决这个错误吗？

Answer 1

文档说密集矩阵的秩必须是 2。

将稀疏张量（或密集矩阵）（等级 2）“A”乘以密集矩阵

此 function 调用的第一个参数是：

稀疏张量（或稠密矩阵）A，秩为 2。

所以你可以做你想做的事，至少不是这样。 似乎您并不真的需要三个维度，因为其中之一只是一个。 如果你把它挤出来，它会起作用：

a_t = tf.constant(tf.squeeze(a))
b_t = tf.constant(b)

a_s = tf.sparse.from_dense(a_t)

tf.sparse.sparse_dense_matmul(b_t,a_s)

<tf.Tensor: shape=(1, 4), dtype=float64, numpy=array([[7., 0., 2., 8.]])>