torch.sparse.longtensor

torch.sparse.longtensor 是 PyTorch 中的一种数据类型，表示稀疏的长整型张量。稀疏张量是一种特殊的张量，其中大部分元素都是零，只有非零元素被显式存储。这种数据类型在处理大规模数据时非常有用，可以减少存储空间和计算开销。

torch.sparse.longtensor 可以通过 torch.sparse.LongTensor() 函数创建。它接受一个表示非零元素的值的张量，一个表示非零元素的位置的张量以及一个表示稀疏张量的形状的元组。例如，以下代码创建了一个 3x3 的稀疏长整型张量，其中有两个非零元素：

import torch

values = torch.tensor([1, 2])
indices = torch.tensor([[0, 1], [2, 2]])
sparse_tensor = torch.sparse.LongTensor(indices, values, (3, 3))
print(sparse_tensor)

输出:

tensor(indices=tensor([[0, 1],
                       [2, 2]]),
       values=tensor([1, 2]),
       size=(3, 3), nnz=2, layout=torch.sparse_coo)

相关问题

def convert_coo2tensor(self, coo): values = coo.data indices = np.vstack((coo.row, coo.col)) i = torch.LongTensor(indices) v = torch.FloatTensor(values) shape = coo.shape return torch.sparse.FloatTensor(i, v, torch.Size(shape))

这段代码是用来将稀疏矩阵(coo格式)转换为PyTorch中的稀疏张量(sparse tensor)。具体而言，它将稀疏矩阵的非零元素以及它们所在的行列索引提取出来，然后分别构造为PyTorch中的LongTensor和FloatTensor，并使用这两个Tensor构造出一个稀疏张量。最后返回这个稀疏张量。

在这段代码中，coo是一个稀疏矩阵，它的属性包括data、row、col和shape。其中，data是一个一维数组，保存了所有非零元素的值；row和col也是一维数组，分别保存了所有非零元素的行和列索引；shape是一个二元组，保存了该矩阵的形状。

这段代码的核心部分是使用np.vstack将row和col数组按行堆叠起来，得到一个2行n列的数组indices。然后使用torch.LongTensor和torch.FloatTensor将indices和values分别转换为PyTorch中的LongTensor和FloatTensor。最后使用torch.sparse.FloatTensor将i、v和shape三个参数构造为一个稀疏张量并返回。

torch.sparse.FloatTensor(i, v, torch.Size(shape))

这是 PyTorch 中创建稀疏张量的函数，它的参数分别是：

- i：一个二维的 LongTensor，表示非零元素的索引，每列分别表示非零元素的行下标和列下标；
- v：一个一维的 FloatTensor，表示非零元素的值；
- shape：一个元组，表示稀疏张量的形状。

该函数返回一个稀疏张量。这种类型的张量采用压缩存储方式，只存储非零元素的值和索引，可以节省存储空间。