TensorFlow中CSR稀疏矩阵表示与转置函数使用疑问

TensorFlow中tf.raw_ops稀疏矩阵系列接口使用的CSR格式，和标准三数组CSR规范仅存在上层封装差异，底层存储逻辑完全一致。

• 你直接tf.print输出的不是CSR的原始存储内容，而是TensorFlow自定义的CSRSparseMatrix不透明资源对象。这类对象不会直接暴露内部存储数组，直接打印只会展示对象类型、内存地址、矩阵形状这类元信息，和你预期的三数组输出不符是正常现象。
• TensorFlow的CSR稀疏矩阵底层完全遵循标准CSR存储规范，三个核心数组和通用定义一一对应：
  • values：对应标准CSR的A数组，按行优先顺序存储所有非零元素值
  • row_pointers：对应标准CSR的IA数组，存储每行首个非零元素在values数组中的偏移位置
  • col_indices：对应标准CSR的JA数组，存储每个非零元素对应的列索引
• 要查看底层三数组结构，不能直接打印封装对象，需要调用专用解析接口tf.raw_ops.CSRSparseMatrixComponents提取内部字段，示例代码如下：

import tensorflow as tf
import numpy as np

dense_input=np.array([[1,2,0], [1,2,0],[1,2,0]]).astype(np.float32)
csr=tf.raw_ops.DenseToCSRSparseMatrix(
    dense_input=dense_input, indices=[[0,0],[0,1],[1,0],[1,1],[2,0],[2,1]], name=None
)

# 提取CSR底层存储数组，二维矩阵批次索引固定传0
row_ptrs, col_inds, vals = tf.raw_ops.CSRSparseMatrixComponents(
    csr_sparse_matrix=csr,
    index=0,
    type=tf.float32
)
print("行偏移数组(IA/row_pointers):", row_ptrs.numpy())
print("列索引数组(JA/col_indices):", col_inds.numpy())
print("非零值数组(A/values):", vals.numpy())

运行上述代码就能得到和标准CSR完全一致的三个数组结构。

• 补充说明：TensorFlow的CSR实现原生支持批量稀疏矩阵存储，因此接口设计上增加了批次索引参数。处理二维稀疏矩阵时批次索引固定传0即可；处理三维批量稀疏矩阵时，依次传入0、1…的批次索引，就能拿到每个样本对应的CSR三数组。
• 你调用SparseMatrixTranspose得到的返回值同样是封装后的CSRSparseMatrix对象，用上述相同方法提取组件，即可验证转置后的CSR数组和你自行实现的基础转置逻辑结果对齐。

内容的提问来源于stack exchange，提问作者yys_c