csr_matrix,coo_matrix转化成torch.sparse matrix

最新推荐文章于 2026-06-17 14:03:38 发布
原创 最新推荐文章于 2026-06-17 14:03:38 发布 · 620 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#人工智能 #深度学习 #python
本文介绍了如何将Scipy库中的CSR和COO矩阵转换为PyTorch支持的稀疏矩阵格式，这对于在深度学习中处理大规模稀疏数据尤其重要。了解这种转换对于有效地在神经网络中利用稀疏数据至关重要。 
	#adjM is csr_matrix
    coo_adj=adjM.tocoo()
    values = coo_adj.data
    indices = np.vstack((coo_adj.row, coo_adj.col))
    i = torch.LongTensor(indices)
    v = torch.FloatTensor(values)
    shape = coo_adj.shape
    #torch_sparse_adj is torch.sparse matrix
    torch_sparse_adj=torch.sparse.FloatTensor(i, v, torch.Size(shape))
使用Scipy库中的sparse.csr_matrix函数将Numpy数组转换为稀疏矩阵
持续更新
05-08 707
可以看到，该稀疏矩阵的行指针为[0,1,2,3,3,4]，其中第i个元素表示第i行的第一个非零元素在data数组中的位置，而最后一个元素则等于非零元素的总个数。列索引为[2,1,4]，表示三个非零元素的列坐标分别为3、2和5。在上述例子中，我们首先创建一个5*5的Numpy数组，其中只有第1行第3列、第2行第2列和第3行第5列是非零的。通过上述例子，我们可以看到，使用Scipy中的sparse.csr_matrix函数将Numpy数组转换为CSR格式的稀疏矩阵非常简单，只需要一行代码即可完成。
使用SciPy中的sparse.csr_matrix函数将NumPy数组转换为稀疏矩阵
Byte_O_O的博客
09-04 656
SciPy是一个强大的科学计算库，提供了处理稀疏矩阵的工具。其中，sparse模块中的csr_matrix函数可以将NumPy数组转换为压缩稀疏行（CSR）格式的稀疏矩阵。以上就是使用SciPy中的sparse.csr_matrix函数将NumPy数组转换为稀疏矩阵的方法。转换后的稀疏矩阵将使用CSR格式表示，其中只包含非零元素的值和它们的索引。下面将介绍如何使用SciPy中的sparse.csr_matrix函数将NumPy数组转换为稀疏矩阵。在转换为稀疏矩阵之后，我们可以使用矩阵的属性和方法进行操作。
【scipy.sparse矩阵转torch.sparse】稀疏矩阵pytorch的转换
weixin_43916250的博客
12-24 4516
values =X_train.data indices = np.vstack((X_train.row, X_train.col)) i = torch.LongTensor(indices) v = torch.FloatTensor(values) shape = X_train.shape X_train=torch.sparse.FloatTensor(i, v, torch.Size(shape)) 注： 转换为scipy.sparse：.tocoo（）即可 ...
pytorch笔记：torch.sparse类
qq_40206371的博客
10-10 1万+
1 构造稀疏矩阵 import torch i = torch.LongTensor([[0, 1, 1],[2, 0, 2]]) #row, col v = torch.FloatTensor([3, 4, 5]) #data torch.sparse.FloatTensor(i, v, torch.Size([2,3])).to_dense() #torch.Size ''' tensor([[0., 0., 3.], [4., 0., 5.]]) ''' 构造方法和
稀疏矩阵 以及 torch_sparse 整理
qq_40926715的博客
09-03 1173
稀疏矩阵处理
关于Pytorch和Numpy中的稀疏矩阵sparse的知识点
qq_39407949的博客
12-12 1007
写在前面，pytorch和numpy都有对稀疏矩阵的操作，最大的区别在于pytorch可以通过GPU进行加速；不过现在numpy这边也推出了智能AI来加速对稀疏矩阵的运算；下面就稍微梳理一下关于稀疏矩阵的相关知识点，以飨诸君~
Qwen3.5+GDN在昇腾NPU上的高性能算子优化实战
最新发布
weixin_30530339的博客
06-17 640
大模型与图神经网络（GNN）协同推理正成为AI工程落地的关键范式，其性能瓶颈往往不在算法本身，而在于计算图与硬件特性的错配。Qwen3.5的MoE动态路由、GDN的稀疏邻居聚合等操作，在通用PyTorch调度下易触发非连续访存、冗余归约与CPU回退，导致NPU利用率低下和显存带宽瓶颈。昇腾NPU凭借Cube矩阵单元与Vector向量加速器，天然适配规则GEMM与融合型Kernel，但需通过CANN工具链完成ATC图优化、Ascend C定制算子开发及PyTorch Graph Rewriting三层协同。本
CSC与Block-CSC：列优先与块稀疏的特殊需求，昇腾CANN稀疏算子库正是面向昇腾NPU硬件特性深度优化的稀疏计算加速方案
wilbur1688的博客
02-04 588
在React Native中开发鸿组件（这里指的是鸿蒙（HarmonyOS）组件），你需要了解鸿蒙开发的基础以及如何在React Native项目中集成鸿蒙应用。鸿蒙OS是由华为开发的一个分布式操作系统，主要用于其智能设备，如手机、平板、智能手表等。首先，你需要熟悉鸿蒙OS的开发环境设置和基本开发流程。React Native本身主要用于Harmony和Harmony平台的开发，但你可以通过以下几种方式将鸿蒙应用集成到React Native项目中：A. 使用WebView。
别再只把Cora当GCN的‘Hello World’了：一份给初学者的数据处理与实战避坑指南
weixin_30727835的博客
06-04 342
本文深入解析Cora数据集在图神经网络(GCN)中的实际应用，提供了从原始数据解析、特征工程到邻接矩阵构建的完整流程。通过详细的代码示例和常见问题解决方案，帮助初学者避开数据处理中的常见陷阱，掌握图数据预处理的核心技术。文章特别强调了Cora数据集在GCN训练中的实用价值，而不仅是一个简单的入门示例。
csr 矩阵 转为 tensor
FrankDura的博客
10-28 4328
综述 有时候我们会遇到稀疏矩阵: 他们表达为csr matrix. import numpy as np from scipy.sparse import csr_matrix import torch __author__ = 'Andrea Esuli' Acsr = csr_matrix([[1, 2, 0], [0, 0, 3], [4, 0, 5]]) print('Acsr',Acsr) Acoo = Acsr.tocoo() print('Acoo',Acoo) Apt = torch
python函数之csr_matrix
热门推荐
qq_40608827的博客
03-22 1万+
csr_matrix表示逐行（注意csr的r,row）压缩矩阵,类似地，也有个函数csc_matrix（c:column)表示逐列压缩。 形式：csr_matrix( (data, indices, indptr), shape=(x,y) ） shape就是压缩后的矩阵地形状，x行y列； data就是矩阵里面存储的值； indptr可以看作是记录了每个会话中的项目数量；（在推荐中有多个用户，每个用户创建了多个会话，每个会话有多个项目） indice可以看作是压缩后的矩阵的列的索引; 例： #
【稀疏矩阵】使用torch.sparse模块
在这里你甚至能学算卦，快进来看看
09-04 2322
目前，torch.sparse和scipy.sparse模块比较支持的主流的稀疏矩阵格式有coo格式、csr格式和csc格式，这三种格式中可供使用的API也最多。需要注意的是，使用操作符在稀疏张量和稠密张量之间乘法运算时，返回的都是稠密张量。如果输入的坐标有重复，则创建出的coo张量会自动把坐标重复的元素值相加。中每个元素可以是一个向量，表示对应坐标的稠密张量，因此，创建出的coo张量也多出了一个维度。，否则会报错，返回的稀疏张量的稀疏结构也与输入相同。此外，在进行稀疏与稀疏之间的数学运算时，一定要保证。
python保存为matlab稀疏矩阵,使用Python Pytables加载Matlab稀疏矩阵
weixin_42134143的博客
03-23 458
我最初问了一个相关的问题here,但实际上并没有解决.也许如果我更具体地改写它的一部分可能会有所帮助.我使用Matlab的稀疏格式(HDF5,csc I相信),而我正在尝试使用Pytables直接对其进行操作,但还没有成功.使用h5py,我可以执行以下操作：# Method 1: uses h5py (WORKS)f1 = h5py.File(fname)data = f1['M']['data'...
sparse coo_matrix和torch coo_matrix转换
Yonggie的博客
04-06 2807
没办法直接转换，需要借助numpy转换。 import numpy as np import scipy.sparse as sp # a_matrix 是一个邻接矩阵 tmp_coo=sp.coo_matrix(a_matrix) values=tmp_coo.data indices=np.vstack((tmp_coo.row,tmp_coo.col)) i=torch.LongTensor(indices) v=torch.LongTensor(values) edge_idx=torch.spar
torch.sparse稀疏矩阵
andy dennis的博客
02-11 4098
前言 这几天接触图神经网络，会发现有些图的边相对结点比较少，那么邻接矩阵很多元素都为0， 显然，我们可以优化存储策略，以节省内存和加快运算。本文udating… 例子 import torch # 邻接矩阵 adj_dense = torch.tensor([[2, 0], [0, 3]]) # 下标 [0, 0], [1, 1] indices = torch.tensor([[0, 1], [0, 1]]) values = torch.tensor
稀疏矩阵 csr \ coo 用法，及文件操作
biu________的博客
04-03 1870
一、coo矩阵： 优点：比较容易转换成其他的稀疏矩阵存储格式（CSR等） 缺点：不能进行矩阵运算。 一般格式：coo_matrix((coo_data, (coo_rows, coo_cols)), shape=shape) 例： >>> import numpy as np >>> import scipy.sparse as sp &gt...
C语言将CSR存储模式转为coo,稀疏矩阵存储格式总结+存储效率对比:COO,CSR,DIA,ELL,HYB...
weixin_39792475的博客
05-17 1077
转载请注明出处：Bin的专栏，http://blog.csdn.net/xbinworld稀疏矩阵是指矩阵中的元素大部分是0的矩阵，事实上，实际问题中大规模矩阵基本上都是稀疏矩阵，很多稀疏度在90%甚至99%以上。因此我们需要有高效的稀疏矩阵存储格式。本文总结几种典型的格式：COO,CSR,DIA,ELL,HYB。(1)Coordinate(COO)这是最简单的一种格式，每一个元素需要用一个三元组...
Python稀疏矩阵（coo,csr）
weixin_40248634的博客
06-21 1124
csr 或者coo .todense()返回矩阵 # data为csr matrix 或者是 coo matrix >>> print(data) (0, 0) -1.0 (0, 1) -0.64 (0, 2) -0.86437 (0, 3) -1.0 (0, 4) -0.37037 (0, 5) 0.155011 ... >>> m = data.todens
csr_matrix矩阵压缩
SuiXin_123的博客
10-26 2289
scipy库中的sparse.csr_matrix可对稀疏的np.array进行压缩处理，有两种方式：csr(Compressed Sparse Row marix) 和 csc(Compressed Sparse Column marix)。下面通过两个最常见的栗子说明一下。 scipy.sparse.csr_matrix　　按行进行压缩 >>> indptr = np.arr...
torch稀疏矩阵的索引和切片--index_select
m0_61432650的博客
12-12 3334
解决方法参考了知乎的一篇文章。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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