如何将带嵌套不规则维度的标准张量转回RaggedTensor？

当RaggedTensor存在嵌套不规则维度时，直接调用tf.RaggedTensor.from_tensor(ragged_tensor.to_tensor(), padding=0)会抛出维度不兼容错误，无法还原出原始的RaggedTensor。

示例代码 #

import tensorflow as tf

data = tf.ragged.constant([
    [[4,35,6,33], [7,2], [89,56,12]],
    [[2,11], [9]]
])

# 直接调用会触发报错
tf.RaggedTensor.from_tensor(data.to_tensor(), padding=0)

报错信息 #

Traceback (most recent call last):
    File "./src/tppmodel.py", line 34, in <module>
     tf.RaggedTensor.from_tensor(data.to_tensor(), padding=0)
    File "/opt/conda/lib/python3.8/site-packages/tensorflow/python/util/traceback_utils.py", line 153, in error_handler
    raise e.with_traceback(filtered_tb) from None
  File "/opt/conda/lib/python3.8/site-packages/tensorflow/python/framework/tensor_shape.py", line 1307, in assert_is_compatible_with
    raise ValueError("Shapes %s and %s are incompatible" % (self, other))
ValueError: Shapes () and (4,) are incompatible

问题原因 #

tf.RaggedTensor.from_tensor默认仅处理1个不规则维度（ragged_rank=1），但示例中的data是嵌套结构的RaggedTensor，存在2个不规则维度（外层列表长度不一致，内层子列表长度也不一致）。若不指定ragged_rank参数，TensorFlow无法正确识别嵌套的不规则结构，从而触发维度不兼容错误。

解决方案 #

调用from_tensor时，显式指定ragged_rank参数为原始RaggedTensor的不规则维度数（可通过data.ragged_rank直接获取）：

# 获取原始RaggedTensor的不规则维度数
ragged_rank = data.ragged_rank
# 指定ragged_rank完成还原
restored_data = tf.RaggedTensor.from_tensor(data.to_tensor(), padding=0, ragged_rank=ragged_rank)

# 验证还原结果与原数据一致
print(tf.equal(data, restored_data))
# 输出：<tf.RaggedTensor [[[True True True True], [True True], [True True True]], [[True True], [True]]]>

最终效果 #

执行上述代码后，restored_data与原始data完全一致，实现了嵌套RaggedTensor的正确还原。

内容的提问来源于stack exchange，提问作者abes