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：
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，
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：
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：
怎么样，是不是挺有意思的？
