输出tf.SparseTensorValue值-----使用稀疏的离散特征提高内存利用率

在做推荐算法，采用FM模型时采用tf.sparse_placeholder函数，会比较省内存

一、tf.sparse_placeholder与tf.SparseTensorValue

1.tf.sparse_placeholder支持mutil one

2.tf.tf.SparseTensorValue函数

三个需要设置的参数：

1）indices：指定哪些位置上有值，其他位置为默认值（可自己设置,一般为0)

此处有坑：index的值必须是有序的，否则会报错提示维度不匹配

不能为：[[0, 4], [0, 0], [1, 9]],或者 [[0, 0], [1, 9],[0, 4]],

eg ：np.array([[0, 0], [0, 4], [1, 9]], dtype=np.int64) 表示稀疏矩阵第一行第一列、第一行第四列、第二行第九列有值
2）values ：指定值以及类型，

eg： np.array([1, 1, 1, 1], dtype=np.int64)代表indices指定位置的值为1
3）shape ：系数矩阵的维度

eg: np.array([9, 12], dtype=np.int64),生成一个9行12列的矩阵

二、tf.sparse_tensor_to_dense函数可以打印出SparseTensorValue的具体值

代码示例及结果：

import tensorflow as tf
import numpy as np

x = tf.sparse_placeholder(tf.float32)
# y = tf.sparse_reduce_sum(x)

with tf.Session() as sess:
    indices = np.array([[0, 0], [0, 4], [1, 9], [2, 5]], dtype=np.int64)
    values = np.array([1, 1, 1, 1], dtype=np.int64)
    shape = np.array([9, 12], dtype=np.int64)
    sp_ten = sess.run(x, feed_dict={x: tf.SparseTensorValue(indices, values, shape)})
    print('未转化为dense：', sp_ten)  # 打印不出具体的矩阵

    tensor_value = tf.sparse_tensor_to_dense(sp_ten)
    print('tessor:\n', sess.run(tensor_value))