pytorch_sparse教程

pytorch_sparse教程

pytorch_sparse教程_第1张图片

Coalesce

torch_sparse.coalesce(index, value, m, n, op="add") -> (torch.LongTensor, torch.Tensor)
逐行排序index并删除重复项。通过将重复项映射到一起来删除重复项。对于映射,可以使用任何一种torch_scatter操作。

参数

  • index(LongTensor) -稀疏矩阵的索引张量。
  • value (Tensor) -稀疏矩阵的值张量。
  • m (int) -稀疏矩阵的第一个维度。
  • n (int) -稀疏矩阵的第2维。
  • op (string,可选)-使用的散射操作。(默认值:“add”)

返回

  • index (LongTensor) -稀疏矩阵的合并索引张量。
  • value (Tensor) -稀疏矩阵的合并值张量。
import torch
from torch_sparse import coalesce

index = torch.tensor([[1, 0, 1, 0, 2, 1],
                      [0, 1, 1, 1, 0, 0]])
value = torch.Tensor([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6], [6, 7]])

index, value = coalesce(index, value, m=3, n=2)
------------------------------------------------------------

Transpose

torch_sparse.transpose(index, value, m, n) -> (torch.LongTensor, torch.Tensor)
对稀疏矩阵的0维和1维进行转置。
参数

  • index(LongTensor) -稀疏矩阵的索引张量。
  • value (Tensor) -稀疏矩阵的值张量。
  • m (int) -稀疏矩阵的第一个维度。
  • n (int) -稀疏矩阵的第2维。coalesced (bool,可选)-如果设置为False,将不会合并输出。(默认值是真实的)

返回

  • index(longtensor) - 稀疏基质的转置索引张量。
  • value(张量) - 稀疏矩阵的转置值张量。
import torch
from torch_sparse import transpose
index = torch.tensor([[1, 0, 1, 0, 2, 1], [0, 1, 1, 1, 0, 0]])
value = torch.Tensor([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6], [6, 7]])
index, value = transpose(index, value, 3, 2)
----------------------------------------------------
print(index)
tensor([[0, 0, 1, 1],
        [1, 2, 0, 1]])
print(value)
tensor([[7.0, 9.0],
        [5.0, 6.0],
        [6.0, 8.0],
        [3.0, 4.0]])

Sparse Dense Matrix Multiplication

torch_sparse.spmm(index, value, m, n, matrix) -> torch.Tensor
一个稀疏矩阵与一个密集矩阵的矩阵乘积。
参数

  • index(LongTensor) -稀疏矩阵的索引张量。
  • value (Tensor) -稀疏矩阵的值张量。
  • m (int) -稀疏矩阵的第一个维度。
  • n (int) -稀疏矩阵的第2维。矩阵(张量)-密集矩阵。

返回

  • out(张量)-密集输出矩阵。
import torch
from torch_sparse import spmm

index = torch.tensor([[0, 0, 1, 2, 2], [0, 2, 1, 0, 1]])
value = torch.Tensor([1, 2, 4, 1, 3])
matrix = torch.Tensor([[1, 4], [2, 5], [3, 6]])
out = spmm(index, value, 3, 3, matrix)
------------------------------------------
print(out)
tensor([[7.0, 16.0],
        [8.0, 20.0],
        [7.0, 19.0]])

Sparse Sparse Matrix Multiplication

torch_sparse.spspmm(indexA, valueA, indexB, valueB, m, k, n) -> (torch.LongTensor, torch.Tensor)

两个稀疏张量的矩阵乘积。两个输入稀疏矩阵都需要合并(使用coalesced属性强制)。

参数

  • indexA (LongTensor) -第一个稀疏矩阵的索引张量。
  • valueA (Tensor) -第一个稀疏矩阵的值张量。
  • indexB (LongTensor) -第二稀疏矩阵的索引张量。
  • valueB (Tensor) -第二稀疏矩阵的值张量。
  • m (int) -第一个稀疏矩阵的第一个维度。
  • k (int) -第一个稀疏矩阵的第二次维和第二个稀疏矩阵的第一次维。
  • n (int) -第2个稀疏矩阵的第2维。
  • coalesced (bool,可选):如果设置为True,将合并两个输入稀疏矩阵。(默认值:False)

返回

  • index(LongTensor) -稀疏矩阵的输出索引张量。
  • value (Tensor) -稀疏矩阵的输出值张量。
import torch
from torch_sparse import spspmm

indexA = torch.tensor([[0, 0, 1, 2, 2], [1, 2, 0, 0, 1]])
valueA = torch.Tensor([1, 2, 3, 4, 5])

indexB = torch.tensor([[0, 2], [1, 0]])
valueB = torch.Tensor([2, 4])

indexC, valueC = spspmm(indexA, valueA, indexB, valueB, 3, 3, 2)

参考

https://github.com/rusty1s/pytorch_sparse

你可能感兴趣的:(PyTorch框架,pytorch,深度学习)