tensorflow 稀疏矩阵的生成

TensorFlow是一个很坑的东西，在没有session运行的时候，所有数据都看不到结果，很难去print

而且TF还没有中文的API手册，很多东西很难体会

在这里记录一下比较难理解的几个方法的用法，以便后面用到

tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None)

除去name参数用以指定该操作的name，与方法有关的一共四个参数：

第一个参数sparse_indices：稀疏矩阵中那些个别元素对应的索引值。

     有三种情况：

     sparse_indices是个数，那么它只能指定一维矩阵的某一个元素

     sparse_indices是个向量，那么它可以指定一维矩阵的多个元素

     sparse_indices是个矩阵，那么它可以指定二维矩阵的多个元素

第二个参数output_shape：输出的稀疏矩阵的shape

第三个参数sparse_values：个别元素的值。

     分为两种情况：

     sparse_values是个数：所有索引指定的位置都用这个数

     sparse_values是个向量：输出矩阵的某一行向量里某一行对应的数（所以这里向量的长度应该和输出矩阵的行数对应，不然报错）

第四个参数default_value：未指定元素的默认值，一般如果是稀疏矩阵的话就是0了

举一个例子：

在mnist里面有一个把数字标签转化成onehot标签的操作，所谓onehot标签就是：

如果标签是6那么对应onehot就是[ 0.  0.  0.  0.  0.  0.  1.  0.  0.  0.]

如果标签是1那么对应onehot就是[ 0.  1.  0.  0.  0.  0.  0.  0.  0.  0.]

如果标签是0那么对应onehot就是[ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]

就是把标签变为适用于神经网络输出的形式。

import tensorflow as tf  

import numpy  

BATCHSIZE=6  

label=tf.expand_dims(tf.constant([0,2,3,6,7,9]),1)  

index=tf.expand_dims(tf.range(0, BATCHSIZE),1)  

#use a matrix  

concated = tf.concat(1, [index, label])  

onehot_labels = tf.sparse_to_dense(concated, tf.pack([BATCHSIZE,10]), 1.0, 0.0)  

with tf.Session() as sess:  

    result1=sess.run(onehot_labels)  

 这是一个繁琐的方法，真的是很难用明白，好在pandas模块提供了一个生成one hot码的方法超级好用

pd.get_dummies()

例子如下

print(pd.get_dummies([2,1,3]).values)

[[0 1 0]

 [1 0 0]

 [0 0 1]]