torch_sparse安装

torch_sparse 安装教程

第一步conda创建python3.8环境

conda create -n py3.8 python==3.8
conda activate py3.8

第二步 安装pytorch

去官网上下载,注意挑选pytorch-cuda,我选的是pytorch-10.1-cuda10.2
如果在安装过程中出现任何下述情况:
1.“InvalidArchiveError(‘Error with archive /home/lyy/miniconda3/pkgs/pytorch-1.10.1-py3.8_cuda10.2_cudnn7.6.5_0.tar.bz2. You probably need to delete and re-download or re-create this file. Message was:\n\nfailed with error: [Errno 28] No space left on device’)”
2. “CondaError: Failed to write to /home/lyy/miniconda3/pkgs/pytorch-1.10.1-py3.8_cuda10.2_cudnn7.6.5_0.tar.bz2”
不要犹豫,直接 :conda clean -a

第三步 安装对应的torch_sparse和torch_scatter

前往该网站把对应的版本下载下来,放在“anoconda/pkgs”或"miniconda3/pkgs"中
https://pytorch-geometric.com/whl/
pip3 install … 安装

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
torch_sparse是PyTorch的一个扩展库,用于处理稀疏张量的计算。它提供了一种用于稀疏张量的高效的自动求导功能,称为autograd。 在PyTorch中,autograd(自动求导)是实现自动微分的核心机制。“torch.autograd”模块能够自动为张量上的所有操作提供求导功能,这使得我们能够更方便地计算梯度。然而,对于稀疏张量,由于其特殊的数据结构,传统的自动求导机制可能不适用。 torch_sparse的autograd能够解决这个问题,它为稀疏张量的操作提供了自动求导的支持。它的实现基于COO(Coordinate)格式,即使用三个数组来表示稀疏张量的非零元素的索引和值。这种格式可以高效地存储和表示稀疏张量。 torch_sparse的autograd支持各种操作,如稀疏矩阵乘法、转置、切片、聚合等。当我们在稀疏张量上执行这些操作时,torch_sparse能够自动计算梯度,这为我们提供了极大的便利性。我们可以像在普通张量上进行计算一样,使用稀疏张量进行复杂的计算,并自动得到梯度。这使得我们能够更方便地使用稀疏张量进行各种深度学习任务,如图神经网络等。 总之,torch_sparse的autograd是PyTorch中的一个扩展库,用于处理稀疏张量的自动求导。它基于COO格式实现,能够高效地计算稀疏张量的梯度。它为我们在稀疏张量上进行复杂计算提供了便利,并使得使用稀疏张量进行深度学习任务更加方便。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值