tf中的tf.sparse_to_dense的用法

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。

[python] viewplain copyBATCHSIZE=6  label=tf.expand_dims(tf.constant([0,2,3,6,7,9]),1)  假设一个batch有6个样本，每个样本的label是0，2，3，6，7，9[python] viewplain copyindex=tf.expand_dims(tf.range(0, BATCHSIZE),1)  生成一个index表明一个batch里面每个样本对应的序号(至于这里为什么要调用tf.expand_dims我在上一篇博客已经解释过了，链接：http://blog.csdn.net/mao_xiao_feng/article/details/53366163)[python] viewplain copyconcated = tf.concat(1, [index, label])  最后把他们两个矩阵进行连接，连接以后的矩阵是这样的[python] viewplain copy[[0 0]   [1 2]   [2 3]   [3 6]   [4 7]   [5 9]]  [python] viewplain copyonehot_labels = tf.sparse_to_dense(concated, tf.pack([BATCHSIZE,10]), 1.0, 0.0)  最后一步，调用tf.sparse_to_dense输出一个onehot标签的矩阵，输出的shape就是行数为BATCHSIZE，列数为10的矩阵，指定元素值为1.0，其余元素值为0.0程序源码：[python] viewplain copyimport 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)    #use a vector  concated2=tf.constant([1,3,4])  #onehot_labels2 = tf.sparse_to_dense(concated2, tf.pack([BATCHSIZE,10]), 1.0, 0.0)#cant use ,because output_shape is not a vector  onehot_labels2 = tf.sparse_to_dense(concated2, tf.pack([10]), 1.0, 0.0)#can use    #use a scalar  concated3=tf.constant(5)  onehot_labels3 = tf.sparse_to_dense(concated3, tf.pack([10]), 1.0, 0.0)    with tf.Session() as sess:      result1=sess.run(onehot_labels)      result2 = sess.run(onehot_labels2)      result3 = sess.run(onehot_labels3)      print ("This is result1:")      print (result1)      print ("This is result2:")      print (result2)      print ("This is result3:")      print (result3)  输出结果：[python] viewplain copyThis is result1:  [[ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]   [ 0.  0.  1.  0.  0.  0.  0.  0.  0.  0.]   [ 0.  0.  0.  1.  0.  0.  0.  0.  0.  0.]   [ 0.  0.  0.  0.  0.  0.  1.  0.  0.  0.]   [ 0.  0.  0.  0.  0.  0.  0.  1.  0.  0.]   [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  1.]]  This is result2:  [ 0.  1.  0.  1.  1.  0.  0.  0.  0.  0.]  This is result3:  [ 0.  0.  0.  0.  0.  1.  0.  0.  0.  0.]