我有困难理解Tensorflow中张量和稀疏张量的含义和用法。
根据文档
张量
张量是一种类型化的多维数组。例如，您可以将一批图像表示为浮点数的4-D数组，其尺寸为[batch, height, width, channels]。
稀疏张量
Tensorflow使用三个分离的密集张量来表示稀疏张量：索引、值和形状。在Python中，这三个张量被收集到SparseTensor类中以便于使用。如果您有单独的索引、值和形状张量，请在传递到下面的操作之前将它们包装在SparseTensor对象中。
我的理解是张量用于操作、输入和输出。而稀疏张量只是张量的另一种表示(密集?)。希望有人可以进一步解释它们的差异和使用案例。
马修做得很好，但我想举一个例子来更好地说明稀疏张量。
如果一个张量有很多值为零，那么它可以被称为稀疏。
让我们考虑一个稀疏的1-D张量。
[0, 7, 0, 0, 8, 0, 0, 0, 0]
同一张量的稀疏表示只关注非零值。
values = [7,8]
我们还必须记住这些值出现的索引位置
indices = [1,4]
一维索引形式在某些方法中可用于这个一维示例，但通常情况下，索引具有多个维度，因此更一致的表示索引的方式是像这样：
indices = [[1], [4]]
有了值和索引，我们还没有足够的信息。有多少个零？我们表示张量的密集形状。
dense_shape = [9]
这三个要素，值、索引和密集形状，共同构成了张量的稀疏表示。
在tensorflow 2.0中，它可以被实现为：
x = tf.SparseTensor(values=[7,8],indices=[[1],[4]],dense_shape=[9])
x
#o/p: <tensorflow.python.framework.sparse_tensor.SparseTensor at 0x7ff04a58c4a8>
print(x.values)
print(x.dense_shape)
print(x.indices)
#o/p:
tf.Tensor([7 8], shape=(2,), dtype=int32)
tf.Tensor([9], shape=(1,), dtype=int64)
tf.Tensor(
[[1]
[4]], shape=(2, 1), dtype=int64)
已经根据评论中指出的错误进行了编辑以更正索引。
区别在于计算速度。如果一个大张量有许多零元素，通过迭代非零元素执行计算会更快。因此，您应该将数据存储在SparseTensor中，并使用SparseTensors的特殊操作。
对于矩阵和稀疏矩阵，这种关系是类似的。稀疏矩阵在动态系统中很常见，数学家们已经为其开发了许多特殊的运算方法。
indices = [1,4]吗？ - yichudu