python 稀疏矩阵乘法_Tensorflow两个稀疏矩阵相乘

在Tensorflow中，稀疏矩阵通过如下方法创建：

sp_matrix 

稀疏矩阵的多数相关操作在tf.sparse模块下，其中有一个稀疏矩阵乘法:

res_matrix = tf.sparse.sparse_dense_matmul(a,b)

其中a必须是SparseTensor表示的稀疏矩阵，b必须是密集矩阵，比如Tensor。

在tensorflow目前提供的稳定API中并没有两个稀疏矩阵相乘的实现函数，但是不是那么稳定的版本实际上是存在的，在tensorflow的python下有一个试验性稀疏矩阵模块，不能通过tf.python直接调用，但是可以通过如下方法调用:

import tensorflow_core.python.ops.linalg.sparse.sparse as tfs

在其中有一个稀疏矩阵乘法tfs.matmul，可以将两个稀疏矩阵相乘，但是要求两个矩阵必须是SparseMatrix类型，SparseTensor类型是不行的。在这个模块下，还提供了一个CSRSparseMatrix类，继承于SparseMatrix类，且可以通过SparseTensor直接创建，所以完整的代码如下:

import tensorflow as tf
import tensorflow_core.python.ops.linalg.sparse.sparse as tfs

indices = [[0,1],[1,1],[2,2]]
values = [1. for _ in indices]
# 创建稀疏矩阵
sp_a = tf.SparseTensor(indices,values,[3,3])
sp_b = tf.SparseTensor(indices,values,[3,3])
# 转化为csr稀疏矩阵
csp_a = tfs.CSRSparseMatrix(sp_a)
csp_b = tfs.CSRSparseMatrix(sp_b)
# 稀疏矩阵乘法
res_matrix = tfs.matmul(csp_a,csp_b)

注1：res_matrix是CSRSparseMatrix类型，可以通过res_matrix.to_sparse_tensor()转为SparseTensor

注2：随着稀疏矩阵密集程度的提高，稀疏矩阵运算的速度会下降，有时候会比dense矩阵相乘还要慢。