TensorFlow表示稀疏张量作为三个独立的密张量： indices，values，和dense_shape。在Python中，三个张量被收集到一个SparseTensor类中以便于使用。如果你有单独的 indices，values和dense_shape张量，SparseTensor 在传递给下面的操作之前将它们包装在一个对象中。
具体地说，稀疏张量tf.SparseTensor(indices, values, dense_shape) 包括以下组件，其中N和ndims分别是值的数量和维度的数量SparseTensor：
indices：一个2-D int64张量的dense_shape [N, ndims]，它指定稀疏张量中包含非零值的元素的索引（元素为零索引）。例如，indices=[[1,3], [2,4]] 指定索引为[1,3]和[2,4]的元素具有非零值。
values：任何类型的1-D张量和dense_shape [N]，它为每个元素提供值indices。例如，给定 indices=[[1,3], [2,4]]，该参数values=[18, 3.6]指定稀疏张量的元素[1,3]具有值18，并且张量的元素[2,4]具有值3.6。
dense_shape：一个1-D int64张量的dense_shape [ndims]，它指定稀疏张量的dense_shape。获取一个列表，指示每个维度中的元素数量。例如，dense_shape=[3,6]指定二维3x6张量，dense_shape=[2,3,4]指定三维2x3x4张量，并dense_shape=[9]指定具有9个元素的一维张量。
相应的密集张量满足：
dense.shape = dense_shape dense[tuple(indices[i])] = values[i]
按照惯例，indices应按行主顺序排序（或等效于元组的字典顺序indices[i]）。SparseTensor构造对象时不会强制执行此 操作，但大多数操作都假定正确的顺序。如果稀疏张量的排序st错误，可以通过调用获得固定版本tf.sparse_reorder(st)。
示例：稀疏张量
SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4]
代表密集的张量
[[1, 0, 0, 0]
[0, 0, 2, 0]
[0, 0, 0, 0]]
tf.contrib.layers.dense_to_sparse(
tensor,
eos_token=0,
outputs_collections=None,
scope=None
)
定义于tensorflow/contrib/layers/python/layers/layers.py。
将密集张量转换为稀疏张量。一个示例用法是将密集标签转换为稀疏标签，以便将它们提供给ctc_loss。
tensor：int Tensor要转换为Sparse。eos_token：一个整数。它是目标标签的一部分，用于表示句子的结尾。outputs_collections：用于添加输出的集合。scope：name_scope的可选范围。来源：CSDN
作者：田野星
链接：https://blog.csdn.net/qq_32791307/article/details/80982514