这份文档核心讲解了 TensorFlow 不规则张量（RaggedTensor）的两种核心构造方式 ：一种是「极简直接法」（tf.ragged.constant），另一种是「灵活定制法」（工厂方法，从扁平值+行分区规则构造）。以下是通俗化拆解，全程贴合原文例子和逻辑：
一、核心前提
构造 RaggedTensor 的核心是「描述可变长度的嵌套结构」：要么直接给嵌套列表（让 TF 自动识别长度），要么先给扁平值+「行分区规则」（告诉 TF 如何把扁平值拆成可变长度的行）。
二、方法1：最简方式 → tf.ragged.constant
核心逻辑
直接把「嵌套的 Python 列表/NumPy 数组」传给 tf.ragged.constant，TF 会自动识别每一层的可变长度，生成对应的 RaggedTensor（无需手动定义长度规则）。
适用场景
已有现成的嵌套列表/数组，且能直接看出行/层的长度分布（比如手动整理的句子、段落数据）。
原文例子拆解
示例1：二维 RaggedTensor（句子，每行是单词列表）
python
# 输入：2个句子（第一句6个单词，第二句5个单词，长度可变）
sentences = tf.ragged.constant([
["Let's", "build", "some", "ragged", "tensors", "!"],
["We", "can", "use", "tf.ragged.constant", "."]])
print(sentences)
# 输出：二维RaggedTensor，保留每行的可变长度
<tf.RaggedTensor [[b"Let's", b'build', b'some', b'ragged', b'tensors', b'!'],
[b'We', b'can', b'use', b'tf.ragged.constant', b'.']]>- 关键：字符串会自动转成字节型（b前缀），不影响使用；每行长度可不同（6个 vs 5个）。
示例2：三维 RaggedTensor（段落，每段包含多个句子，句子长度可变）
python
# 输入：2个段落 → 每个段落包含2个句子 → 句子长度可变
paragraphs = tf.ragged.constant([
[['I', 'have', 'a', 'cat'], ['His', 'name', 'is', 'Mat']], # 段落1：2个句子（各4个单词）
[['Do', 'you', 'want', 'to', 'come', 'visit'], ["I'm", 'free', 'tomorrow']], # 段落2：句子1（6词）、句子2（3词）
])
print(paragraphs)
# 输出：三维RaggedTensor，每层长度都可变
<tf.RaggedTensor [[[b'I', b'have', b'a', b'cat'], [b'His', b'name', b'is', b'Mat']],
[[b'Do', b'you', b'want', b'to', b'come', b'visit'],
[b"I'm", b'free', b'tomorrow']]]>三、方法2：灵活定制 → 工厂方法（扁平值+行分区张量）
核心逻辑
当数据是「扁平的一维列表」，但知道「每个值属于哪一行/每行长度/每行起止索引」时，用工厂方法把扁平值拆成可变长度的 RaggedTensor。
适用场景
数据是扁平存储的（比如从文件/数据库读取的一维值列表），但有额外的"行分区规则"（比如记录了每个值所属的行号、每行的长度）。
原文3种工厂方法拆解（目标都是构造 [[3,1,4,1], [], [5,9], [2]]）
所有方法的输入核心：values（扁平值列表） + 「行分区规则」，以下是一一对应解释：
| 工厂方法 | 行分区规则（参数） | 原文例子拆解 |
|---|---|---|
| from_value_rowids | value_rowids（每个值的行号） | values=[3,1,4,1,5,9,2] value_rowids=[0,0,0,0,2,2,3] → 3/1/4/1属于行0，5/9属于行2，2属于行3，行1无值→空行 |
| from_row_lengths | row_lengths（每行的长度） | values=[3,1,4,1,5,9,2] row_lengths=[4,0,2,1] → 行0长度4（取前4个值），行1长度0（空），行2长度2（取5/9），行3长度1（取2） |
| from_row_splits | row_splits（每行起止索引） | values=[3,1,4,1,5,9,2] row_splits=[0,4,4,6,7] → 行0：04（3/1/4/1），行1：44（空），行2：46（5/9），行3：67（2） |
原文代码验证（3种方法结果完全一致）
python
# 方法1：from_value_rowids
print(tf.RaggedTensor.from_value_rowids(
values=[3, 1, 4, 1, 5, 9, 2],
value_rowids=[0, 0, 0, 0, 2, 2, 3]))
# 输出：<tf.RaggedTensor [[3, 1, 4, 1], [], [5, 9], [2]]>
# 方法2：from_row_lengths
print(tf.RaggedTensor.from_row_lengths(
values=[3, 1, 4, 1, 5, 9, 2],
row_lengths=[4, 0, 2, 1]))
# 输出同上
# 方法3：from_row_splits
print(tf.RaggedTensor.from_row_splits(
values=[3, 1, 4, 1, 5, 9, 2],
row_splits=[0, 4, 4, 6, 7]))
# 输出同上四、关键注意事项（原文补充）
-
校验机制：默认情况下，工厂方法会校验「行分区规则」和「values长度」是否匹配（比如 row_lengths 总和是否等于 values 长度），避免构造出非法的 RaggedTensor；
-
性能优化 ：如果能100%保证输入的行分区规则合法（比如提前校验过），可以加
validate=False跳过校验，提升构造速度：python# 跳过校验，加速构造 tf.RaggedTensor.from_row_lengths(values=[3,1,4,1,5,9,2], row_lengths=[4,0,2,1], validate=False)
核心总结
| 构造方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| tf.ragged.constant | 写法极简，直观 | 依赖现成的嵌套列表 | 手动整理的嵌套数据（句子、段落） |
| 工厂方法（from_*） | 灵活，适配扁平数据源 | 需要定义行分区规则 | 扁平存储的数据（文件/数据库读取） |
两种方法最终都能构造出 RaggedTensor，核心是根据「数据的原始形态」选择：有嵌套列表用 constant，有扁平值+行规则用工厂方法。