明明記得之前試過RaggedTensor不能下標(biāo)訪問，但是看到他支持reduce_mean就又試了一下發(fā)現(xiàn)是可以的，估計是之前搞的不對。既然支持下標(biāo)訪問，也可以按維度reduce，那說明它內(nèi)部肯定記錄了未定維每一行的長度

如果按列reduce，如果長度不夠的話會被當(dāng)做不存在而不是0

倒序取元素的時候就是從有元素的末尾取，跟直觀的理解是一樣的。

雖然支持broadcast，但是被broadcast的那個小tensor似乎不支持RaggedTensor，用Tensor是可以的

RaggedTensor連序列化都搞了好幾套方法來應(yīng)對不同情況的數(shù)據(jù)，就為了讓編碼后的內(nèi)容占最小空間，絕了

看起來SparseTensor并不是key-value的形式，而是就像構(gòu)造需要的那樣，按順序存放了index-value而已，print的時候也是這樣的形式

reduce_max的例子里，from_dense在構(gòu)造SparseTensor的時候是過濾了0值的，所以reduce_max出來才是負數(shù)，如果用其他方法使構(gòu)造的SparseTensor有顯式的0，那么max值依舊是0

沒想到是在random這一節(jié)里明確的指出了Variable是thread safe的

從描述來看，Generator內(nèi)部可以看作存了seed-state的Variable，值的存放位置受tf.device限制

global_generator可以看做是一個全局的種子，比如之前那樣直接跑tf.random.normal的時候用的就是它。這個東西會在第一次被需要的時候聲明，所以外側(cè)的device scope應(yīng)該會影響到它

如果global_generator是在聲明計算圖的時候被生成的，而在還未運行的時候調(diào)用set_global_generator則會出現(xiàn)bug，因為計算圖里指向的老Variable被析構(gòu)了

通過split生成的generator保證了是互相獨立的，推測實現(xiàn)上是新生成了幾個種子構(gòu)造出了新generator，因為split之后，舊generator的狀態(tài)會變。split可以用在聲明計算圖的時候，保證種子是存在當(dāng)前device上的，避免重復(fù)拷貝。這里也可以新聲明，文檔里說風(fēng)險在于可能并不是獨立的，但我估計寫from_seed(global_generator.normal([]))就行了

generator作為輸入的時候，盡管他可以被看做是Variable，但依舊會觸發(fā)多態(tài)，因為理論上隨機數(shù)是可以控制圖的形狀的，所以即使是同一個generator通過get_concrete_function拿到的計算圖依舊不能跑

從代碼來看，一個checkpoint似乎只能有一個generator

generator的IO有個diverge的問題，因為checkpoint的存儲是分布式的，存下的這多份checkpoint有的時候合起來才代表一個模型，而如果generator出現(xiàn)diverge的話，在cp.load的時候，如果concurrency不同，誰用哪個種子就不大好定義了（文檔說只會采用第一個讀到的）。當(dāng)然我覺得種子這東西大部分情況下沒必要存進去的