3D 稀疏张量与 2D 张量的矩阵乘法：InvalidArgumentError：张量“a_shape”必须具有 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：

使用2D张量进行3D张量矩阵乘法

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.]]])>

使用2D张量进行3D SparseTensor矩阵乘法

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？

- S.Perera

Answer 1

文档中指出，密集矩阵的秩必须为2。

将稀疏张量（或秩为2的密集矩阵）“A”乘以密集矩阵

此函数调用的第一个参数是：

秩为2的稀疏张量（或密集矩阵）A。

因此，您至少不能用这种方式实现您想要的功能。似乎您并不真正需要三个维度，因为其中一个维度只有一个。如果您将其压缩掉，它就可以工作：

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.]])>

- Nicolas Gervais

---

感谢您查看这个问题。但不幸的是，我不能采用这种方法，因为我有多个第三维度。这意味着tf.sparse.sparse_dense_matmul无法处理三维张量？ - S.Perera

那似乎是这种情况。我看到的唯一方法是在第三维/第三轴上使用for循环。虽然这不是矢量化方法，但效率低下。 - Arka Mukherjee