TensorFlow当前未实现tf.SparseTensor的通用乘法。但是，存在三个部分解决方案，正确的选择方案将取决于数据的特征：

• 如果您有tf.SparseTensor和tf.Tensor ，则可以使用tf.sparse_tensor_dense_matmul()将它们相乘。如果其中一个张量过大而无法在内存中容纳，则此方法比下一种方法更有效：文档提供了有关如何在这两种方法之间进行决策的更多指导。请注意，它接受tf.SparseTensor作为第一个参数，因此，要解决您的确切问题，您将需要使用adjoint_a和adjoint_b参数并转置结果。

• 如果您有两个稀疏张量并且需要将它们相乘，那么最简单（如果不是性能最好的话）的方法是将它们转换为密集并使用tf.matmul ：

   a = tf.SparseTensor(...) b = tf.SparseTensor(...) c = tf.matmul(tf.sparse_tensor_to_dense(a, 0.0), tf.sparse_tensor_to_dense(b, 0.0), a_is_sparse=True, b_is_sparse=True) 

  请注意，可选的a_is_sparse和b_is_sparse参数意味着“ a （或b ）具有密集表示，但其大量条目为零”，这触发了使用不同的乘法算法。

• 对于通过（可能较大且分片的）密集矩阵乘法来稀疏向量的特殊情况，并且向量中的值为0或1，则tf.nn.embedding_lookup运算符可能更合适。 本教程讨论了何时可以使用嵌入以及如何更详细地调用运算符。

• 对于通过（可能较大且分片的）密集矩阵进行稀疏矩阵的特殊情况， tf.nn.embedding_lookup_sparse()可能是合适的。此函数接受一个或两个tf.SparseTensor对象，其中sp_ids表示非零值，而可选的sp_weights表示其值（否则默认为1）。

最近，添加了tf.sparse_tensor_dense_matmul(...) ，允许将稀疏矩阵乘以稠密矩阵。

https://www.tensorflow.org/versions/r0.9/api_docs/python/sparse_ops.html#sparse_tensor_dense_matmul

https://github.com/tensorflow/tensorflow/issues/1241

看起来

tf.sparse_matmul(
    a,
    b,
    transpose_a=None,
    transpose_b=None,
    a_is_sparse=None,
    b_is_sparse=None,
    name=None
)

不是用于两个SparseTensors乘法。

a和b是Tensors而不是SparseTensors 。我已经尝试过，它不能与SparseTensors一起使用。