tf.sparse.expand_dims

Возвращает тензор с осью длины 1, вставленной в индекс axis.

tf.sparse.expand_dims(
    sp_input, axis=None, name=None
)

Учитывая тензор input, данная операция вставляет измерение длины 1 в измерение axis формы input. Индекс измерения следует правилам индексирования Python: он нулевого основания, а отрицательный индекс подсчитывается от конца.

Эта операция полезна для:

• Добавление внешнего измерения «пакета» к одному элементу.
• Выравнивание осей для трансляции.
• Добавление внутреннего измерения длины вектора к тензору скаляров.

Например:

Если у вас есть разреженный тензор с формой [height, width, depth]:

sp = tf.sparse.SparseTensor(indices=[[3,4,1]], values=[7,],
                            dense_shape=[10,10,3])

Вы можете добавить внешнее batch измерение, передав axis=0:

tf.sparse.expand_dims(sp, axis=0).shape.as_list()
[1, 10, 10, 3]

Новое расположение оси соответствует индексированию Python list.insert(axis, 1):

tf.sparse.expand_dims(sp, axis=1).shape.as_list()
[10, 1, 10, 3]

Согласно стандартным правилам индексирования Python, отрицательное axis подсчитывается с конца, поэтому axis=-1 добавляет внутреннее измерение:

tf.sparse.expand_dims(sp, axis=-1).shape.as_list()
[10, 10, 3, 1]

Примечание: В отличие от tf.expand_dims эта функция включает значение по умолчанию для axis: -1. Таким образом, если `axis` не указан, добавляется внутреннее измерение.

sp.shape.as_list()
[10, 10, 3]
tf.sparse.expand_dims(sp).shape.as_list()
[10, 10, 3, 1]

Эта операция требует, чтобы axis был допустимым индексом для input.shape, согласно правилам индексирования Python:

-1-tf.rank(input) <= axis <= tf.rank(input)

Эта операция связана с:

• tf.expand_dims, который предоставляет эту функциональность для плотных тензоров.
• tf.squeeze, который удаляет измерения размера 1 из плотных тензоров.
• tf.sparse.reshape, который обеспечивает более гибкие возможности преобразования формы.