Ragged tensor，即参差不齐的张量，用于记录长度不规则的数据。
例如，句子的语气分类任务中，不同句子的长度长短不一，却被保存在同一个数据集中，这时，就不能用张量去保存这句子了，就要用到Ragged tensor。
原生的python list实际上是支持类似的功能的，无非就是一个list，里面装了很多子list，这些子list的长度又不一样。
例如：

ragged_list = [[1],[2,3]]

这种写法是完全不会报错的。
当然，这种东西显然无法转化为numpy中的array。也就是说，在偏向矩阵运算的包中，不支持这种非规则矩阵数据的做法是十分常见的。
然而，tensorflow 2.0还是毅然决然地对这类数据进行了支持。这就是 Ragged tensor，例如要把上面的那个数据转化为Ragged tensor，只需要：

import tensorflow as tf
rt = tf.ragged.constant([[1],[2,3]])

虽然以最直白的方式介绍完这个Ragged tensor，就会觉得这玩意儿，也“不过如此”。但仔细想想这个东西还是极富想象力的。例如上面说的可以很好地对句子进行表示，而不是添加一系列烦人的padding。最关键的是，像RNN这种，本身就可以支持变长序列的神经网络，只因为之前的tensorflow 1.0 的tensor所表示的序列都必须是定长的，就导致我们必须间接地去实现RNN的对变长序列进行处理的能力。

而在tensorflow 2.0 中，你不仅可以使用Ragged tensor对你的变长序列数据进行最直白的记录，还可以利用封装好的“tf.keras.layers.LSTM”直接对包含变长序列的batch进行处理。

回到本文最初想介绍的ragged rank

要解释ragged rank，首先就要介绍Ragged tensor在实现的底层的实现方式。事实上，Ragged tensor有两部分构成，一是一维的数组记录了所有的数据，二是一个表示归属的数组来表示每个数属于哪一行。（这其实是一种为了便于理解所采用的十分不精确的表述）。

我们来盗个图：

image

看右上角的图，[3,1,4,1,5,9,2]就是刚才说的那个记录所有实际数据的一维数组，我们后面称之为数据数组。[0,0,0,0,2,2,3]分别表示每一个数字属于第几行，我们称之为归属数组。可以发现，数据数组和归属数组是一一对应的。
例如归属数组的第一个数，0，表示对应的数据数组中的3属于第一行，同理，3，1，4，1都属于第一眼，因此所表示Ragged tensor的第一行就是[3,1,4,1]。二三四行同理。

现在不仅解释了上面黑体的那句话，还解释了那句话为什么不严谨。
首先，表示归属的方式不止一种，而是由如图所示的四种（大同小异）。其次，表示数据的不仅可以是个向量，还可以是个矩阵甚至张量。

那如果一个三维的Ragged tensor，该如何表示呢？
再盗个图，

image

如图所示，这里整了一个两层的归属向量，结果就是把一个一维的向量，变成了一个三维的Ragged tensor。

讲到这里，就可以引出我们的ragged rank了。
通俗地讲，Ragged tensor的ragged rank就是指它所包含归属向量的层数。
我们第一次举的例子，归属向量只有一层，所以ragged rank就是1。而在三维的Ragged tensor中，由于采用了两层的归属向量，因此这里的ragged rank就是2。

我们再来看，另一种表示三维Ragged tensor的方式，
盗图：

image

在这个例子中，数据向量实际上是一个数据矩阵，然后利用一层的归属向量，得到了三维的Ragged tensor。那这里的ragged rank是多少呢？

因为这里的归属向量只有一层，因此，ragged rank竟然是1。

因此，一个Ragged tensor的ragged rank和它的维度并无直接关系，而是与其底层的实现方式直接相关。

查询一个Ragged tensor的ragged rank的方法？

上代码

rt = tf.RaggedTensor.from_row_splits(
    values=[[1, 3], [0, 0], [1, 3], [5, 3], [3, 3], [1, 2]],
    row_splits=[0, 3, 4, 6])
print(rt)
print("Shape: {}".format(rt.shape))
print("Number of partitioned dimensions: {}".format(rt.ragged_rank))

或者

tf.type_spec_from_value(rt)

所返回元组的倒数第二个数，就是rt的ragged_rank。

本文最有意思的部分：有没有可能，同样的一个Ragged tensor，由于底层实现不一样，导致它们对应的ragged_rank不一样？

亲测，答案是，有可能。
例子：

rt = tf.ragged.constant([[[1]],[[1],[1]]])
rt2 = tf.RaggedTensor.from_tensor(np.array([[[1],[1]],[[1],[1]]]), lengths=[1,2])

如果对二者进行打印，则都会得到：
<tf.RaggedTensor [[[1]], [[1], [1]]]>

但如果查看二者的ragged_rank，会发现，rt的是2，而rt2的则是1：

image.png

怎么样，是不是挺有意思的？