直接用tf.nn.embedding_lookup会报“indices must be integer”错误，因其仅接受稠密整数张量，而高维稀疏特征常为SparseTensor；正确做法是使用专为其设计的tf.nn.embedding_lookup_sparse，它自动处理values提取、reduction（如mean/sum）及梯度回传，并要求values dtype与embedding表首维长度兼容。
为什么直接用 tf.nn.embedding_lookup 会报错 “indices must be integer”
高维稀疏特征（比如用户行为序列、多值类别字段）通常以 tf.SparseTensor 形式输入，而 tf.nn.embedding_lookup 默认只接受 dense 的整数索引张量。直接喂 sparse_tensor.indices 或 sparse_tensor.values 很容易触发类型不匹配或 shape 不对——尤其是当 sparse tensor 的 values 是 int64，但 embedding table 的 dtype 是 int32 时，TF 会静默截断或报错。
正确做法是先用 tf.nn.embedding_lookup_sparse，它专为 SparseTensor 设计，内部自动处理 values 提取、reduction（如 mean / sum）和梯度回传。
- 必须确保
sparse_tensor.values是tf.int32或tf.int64，且与 embedding table 的第一维长度兼容（即最大 index - 如果原始 sparse feature 来自
tf.io.parse_example，注意tf.io.VarLenFeature解析出的是tf.SparseTensor，但 values 默认是tf.int64，需显式 cast：tf.cast(sparse_tensor.values, tf.int32) - 别漏掉
combiner参数：对每个样本的多个 ID，默认"sum"；若想做平均，用"mean"；分类任务中常用"sqrtn"抑制高频 ID 权重
如何把多个稀疏字段拼成一个联合 embedding 输入
实际模型中往往有 user_id、item_id、tag_ids、category_path 等多个稀疏字段，不能简单 concat 后 lookup——维度不一致、语义混杂、梯度干扰大。
更稳妥的方式是：每个字段单独 embedding + combiner，再拼接（tf.concat）或加权融合：
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 为每个字段定义独立的 embedding table：
user_emb = tf.get_variable("user_emb", [user_vocab_size, dim])，避免共享导致语义坍缩 - 对 multi-hot 字段（如
tag_ids），用tf.nn.embedding_lookup_sparse+combiner="sum"；对 single-id 字段（如user_id），可改用tf.nn.embedding_lookup（先 densify）或统一走 sparse path（补 dummy value） - 拼接前检查 shape：每个字段输出应为
[batch_size, emb_dim]；若某字段 batch 内长度全为 0（空 sparse tensor），embedding_lookup_sparse会返回全零向量，无需额外 padding
训练时 embedding table 显存爆炸？试试 tf.keras.layers.Embedding 的 sparse=True
原生 Keras Embedding 层默认 dense lookup，对稀疏输入会先 expand 成 dense matrix，内存直接翻 N 倍（N 是 max sequence length）。开启 sparse=True 后，底层调用的就是 embedding_lookup_sparse，跳过 dense 展开。
- 必须配合
SparseTensor输入：Keras 模型 input 需设为tf.keras.Input(..., sparse=True) -
sparse=True仅影响前向传播的内存，不影响梯度计算方式；但要注意，某些 optimizer（如 Adagrad）在 sparse update 下行为略有差异 - 若用
tf.data.Dataset流式训练，确保 map 函数里用tf.sparse.from_dense或保留原始 sparse 结构，别无意中调用.to_dense()
导出 SavedModel 后稀疏 embedding 失效？检查 signature 和 placeholder 类型
用 tf.saved_model.save 导出含 sparse embedding 的模型时，若 signature 中 input spec 写成 tf.TensorSpec，加载后 feed dense numpy array 就会失败——TF 无法自动把 dense 转 sparse。
正确做法是在 export 时显式声明 sparse input：
- input spec 必须是
tf.SparseTensorSpec(shape=[None, None], dtype=tf.int32)，shape 第一维为 batch，第二维为变长 feature - saved_model CLI debug 时，用
saved_model_cli show --dir xxx --tag_set serve --signature_def serving_default确认 inputs 类型是否为sparse_tensor - 客户端调用时，Python 侧需构造
tf.SparseTensor并通过tf.python.ops.script_ops.py_func或直接用 TF Serving 的 gRPC sparse tensor 格式（indices/values/dense_shape）
稀疏 embedding 的坑多数不在算法本身，而在数据流的 dtype、shape、sparse/dense 切换点——这些地方一旦错位，错误常延迟到 runtime 才暴露，且 traceback 极难定位。
