在python中怎样将rdf转化为稀疏张量

Posted 2023-04-16

本人小白，目前使用python做数据库的关系学习，目前已有第三方库能够将rdf转化为张量，详见https://github.com/mnick/10c，但是装好后依然不会使用，求大神指教~~~按照使用说明，输入10c -h 也得不到使用的方法，很是费解~~

参考技术A Rdf我毕设时候做过，好像查询预语言还是SparQL呢 参考技术B 没安装那个库，不要看到错就慌了，一个一个解决

来自密集张量 Tensorflow 的稀疏张量（矩阵）

【中文标题】来自密集张量 Tensorflow 的稀疏张量（矩阵）

【英文标题】：Sparse Tensor (matrix) from a dense Tensor Tensorflow

【发布时间】：2017-02-11 18:56:41

【问题描述】：

我正在创建一个卷积稀疏自动编码器，我需要将一个充满值的 4D 矩阵（其形状为 [samples, N, N, D]）转换为一个稀疏矩阵。

对于每个样本，我有 D NxN 个特征图。我想将每个 NxN 特征图转换为稀疏矩阵，最大值映射为 1，其他所有映射为 0。

我不想在运行时但在 Graph 声明期间这样做（因为我需要使用生成的稀疏矩阵作为其他图形操作的输入），但我不明白如何获取索引来构建稀疏矩阵。

【问题讨论】：

你想在 Tensorflow 中还是在 python 中进行这种转换？如果在 python 中这个函数可以帮助你从密集矩阵转换为稀疏矩阵（docs.scipy.org/doc/scipy/reference/generated/…）并且你可以使用 tf.SparseTensor（它使用 coo 格式）来存储每个特征图，并使用列表来存储所有稀疏张量。跨度>

具体来说，nonzero() (docs.scipy.org/doc/scipy/reference/generated/…) 可以为您提供非零元素的索引。不确定这是否被认为是运行时方法。这可能是图形声明之前的一些数据预处理。 4D 密集矩阵是在运行时生成的还是只是一些给定的输入数据？

我不想在运行时这样做（我知道如何用 numpy 做到这一点），但在图形声明期间（所以使用 Tensorflow）

【参考方案1】：

您可以使用tf.where 和tf.gather_nd 来做到这一点：

import numpy as np
import tensorflow as tf

# Make a tensor from a constant
a = np.reshape(np.arange(24), (3, 4, 2))
a_t = tf.constant(a)
# Find indices where the tensor is not zero
idx = tf.where(tf.not_equal(a_t, 0))
# Make the sparse tensor
# Use tf.shape(a_t, out_type=tf.int64) instead of a_t.get_shape()
# if tensor shape is dynamic
sparse = tf.SparseTensor(idx, tf.gather_nd(a_t, idx), a_t.get_shape())
# Make a dense tensor back from the sparse one, only to check result is correct
dense = tf.sparse_tensor_to_dense(sparse)
# Check result
with tf.Session() as sess:
    b = sess.run(dense)
np.all(a == b)
>>> True

【讨论】：

我如何用张量做到这一点？就像我想将张量转换为稀疏张量一样。

@RocketPingu 不知道你的意思，这是将密集张量转换为稀疏张量。 a_t 这是一个常规的 TensorFlow 张量（在这种情况下是从 tf.constant 操作获得的，但可以是任何其他操作的输出）。为了清楚起见，我添加了一些 cmets。

只是当我为我的代码尝试它时，它给了我一个错误。更多信息在这里：***.com/questions/48201725/…

@RocketPingu 当我在代码中放入其中一个 cmets 时，如果在创建图形时不知道张量的完整形状（即它的形状是动态的，而不是静态的），你应该使用tf.shape(tensor) 而不是tensor.get_shape() 或tensor.shape。

我再次运行代码。事实证明，转换是成功的。现在的问题在于 ctc_loss。谢谢！

【参考方案2】：

将密集的numpy数组转换为tf.SparseTensor的简单代码：

def denseNDArrayToSparseTensor(arr):
  idx  = np.where(arr != 0.0)
  return tf.SparseTensor(np.vstack(idx).T, arr[idx], arr.shape)

【参考方案3】：

注意contrib中有一个内置函数（取from）

【参考方案4】：

在 TF 2.3 中，Tensorflow Probability 对此有一个 function：

import tensorflow_probability as tfp

tfp.math.dense_to_sparse(x, ignore_value=None, name=None)

【参考方案5】：

Tensorflow 从 1.15 开始就有 tf.sparse.from_dense。示例：

In [1]: import tensorflow as tf

In [2]: x = tf.eye(3) * 5

In [3]: x
Out[3]: 
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[5., 0., 0.],
       [0., 5., 0.],
       [0., 0., 5.]], dtype=float32)>

申请tf.sparse.from_dense:

In [4]: y = tf.sparse.from_dense(x)

In [5]: y.values
Out[5]: <tf.Tensor: shape=(3,), dtype=float32, numpy=array([5., 5., 5.], dtype=float32)>

In [6]: y.indices
Out[6]: 
<tf.Tensor: shape=(3, 2), dtype=int64, numpy=
array([[0, 0],
       [1, 1],
       [2, 2]])>

通过申请tf.sparse.to_dense验证身份：

In [7]: tf.sparse.to_dense(y) == x
Out[7]: 
<tf.Tensor: shape=(3, 3), dtype=bool, numpy=
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]])>

【讨论】：

如果对当前的 impl 感兴趣：source code