论文中的一些具体函数的用法！！！

1.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。

 

 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。

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 × 10 10\times 1010×10，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

import torch
 
t = torch.tensor(data=[2, 2], dtype=torch.float32, device=torch.device('cpu'))
print(t)
 
# 创建稀疏张量
# 指定坐标
i = torch.tensor([[0,1,2], [0,1,2]])
 
# 指定坐标上的值
v = torch.tensor([1,2,3])
 
a = torch.sparse_coo_tensor(indices=i, values=v, size=[5, 5])
print(a)
 
# 稀疏转为稠密
a = torch.sparse_coo_tensor(indices=i, values=v, size=[5, 5], dtype=torch.float32).to_dense()
print(a)
 
 

运行结果：

 

coo_matrix是最简单的稀疏矩阵存储方式，采用三元组(row, col, data)(或称为ijv format)的形式来存储矩阵中非零元素的信息。在实际使用中，一般coo_matrix用来创建矩阵，因为coo_matrix无法对矩阵的元素进行增删改操作；创建成功之后可以转化成其他格式的稀疏矩阵（如csr_matrix、csc_matrix）进行转置、矩阵乘法等操作。

 

 

2，stack（）沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状

t1 = torch.Tensor([1,2,3])
t2 = torch.Tensor([2,4,6])
print(torch.stack((t1,t2),dim=0))
print(torch.stack((t1,t2),dim=1))