pytorch每日一学13(torch.spares_coo_tensor())创建稀疏矩阵

第13个方法

torch.spares_coo_tensor(indices, values, siez=None,*, dtype=None, requires_grad=False)->Tensor

• 此方法的意思是创建一个Coordinate(COO) 格式的稀疏矩阵，返回值也就h是一个tensor
• 稀疏矩阵指矩阵中的大多数元素的值都为0，由于其中非常多的元素都是0，使用常规方法进行存储非常的浪费空间，所以采用另外的方法存储稀疏矩阵。

Coordinate(COO)格式的稀疏矩阵

• 这是非常简单的一种方式，使用一个三元组来表示矩阵中的一个非0数，三元组分别表示元素（所在行，所在列，元素值），也就是上图中每一个竖的三元组就是表示了一个非零数，其余值都为0，这样就存储了一个稀疏矩阵。

---

  知道了COO矩阵的存储思想那么此方法就很好理解了，构造这样个矩阵需要知道所有非零数所在的行、所在的列、非零元素的值和矩阵的大小这四个值，所以此方法的参数就大概是这几个。

• indices：此参数是指定非零元素所在的位置，也就是行和列，所以此参数应该是一个二维的数组，当然它可以是很多格式（ist, tuple, NumPy ndarray, scalar, and other types. ）第一维指定了所有非零数所在的行数，第二维指定了所有非零元素所在的列数。例如indices=[[1, 4, 6], [3, 6, 7]]表示我们稀疏矩阵中(1, 3),(4, 6), (6, 7)几个位置是非零的数所在的位置。
• values：此参数指定了非零元素的值，所以此矩阵长度应该和上面的indices一样长也可以是很多格式（list, tuple, NumPy ndarray, scalar, and other types.）。例如``values=[1, 4, 5]表示上面的三个位置非零数分别为1, 4, 5。
• size：指定了稀疏矩阵的大小，例如size=[10, 10]表示矩阵大小为$10\times 10$，此大小最小应该足以覆盖上面非零元素所在的位置，如果不给定此值，那么默认是生成足以覆盖所有非零值的最小矩阵大小。
• dtype：指定返回tensor中数据的类型，如果不指定，那么采取values中数据的类型。
• device：指定创建的tensor在cpu还是cuda上。
• requires_grad：指定创建的tensor需不需要梯度信息，默认为False

实例如下所示：

import torch

indices = torch.tensor([[4, 2, 1], [2, 0, 2]])
values = torch.tensor([3, 4, 5], dtype=torch.float32)
x = torch.sparse_coo_tensor(indices=indices, values=values, size=[5, 5])
x