[人工智能]获取稀疏型张量（sparse tensor）的数值

目录

方法一：使用sparse的._indices()和._values()

方法二：使用Dgl的graph.adj_sparse('coo')

有时候tensor是稀疏型的，比如是coo matrix的tensor：

>>>graph.adj()
tensor(indices=tensor([[     0,      0,      0,  ..., 116380, 116381, 116382],
                       [110282, 101199,  81804,  ..., 116380, 116381, 116382]]),
       values=tensor([1., 1., 1.,  ..., 1., 1., 1.]),
       size=(116383, 116383), nnz=350751, layout=torch.sparse_coo)

如果要获取其中的indices和values来构造scipy的coo matrix，有两种办法

方法一：使用sparse的._indices()和._values()

1.使用graph.adj()._indices()方法即可获取indices如下：

tensor([[     0,      0,      0,  ..., 116380, 116381, 116382],
        [110282, 101199,  81804,  ..., 116380, 116381, 116382]])

2.然后使用.numpy方法即可转换为ndarray，从而获得

横坐标列表：

>>>graph.adj()._indices().numpy()[0]
array([     0,      0,      0, ..., 116380, 116381, 116382])

?纵坐标列表：

graph.adj()._indices().numpy()[1]
array([110282, 101199,  81804, ..., 116380, 116381, 116382])

3.然后再使用tensor._values()获取values，并转换为ndarray

>>>graph.adj()._values().numpy()
array([1., 1., 1., ..., 1., 1., 1.], dtype=float32)

4.使用scipy的coo_matrix()构造coo matrix

scipy.sparse.coo_matrix((data,(i,i)),shape=(M,N))

完整代码如下：

i=graph.adj()._indices().numpy()[0]
j=graph.adj()._indices().numpy()[1]
data=graph.adj()._indices().numpy()
scipy.sparse.coo_matrix((data,(i,i)),shape=(M,N))

方法二：使用Dgl的graph.adj_sparse('coo')

直接使用Dgl的graph.adj_sparse('coo')方法获取coo matrix坐标，然后自己给出values值

完整代码如下：

rownetworks=graph.adj_sparse('coo')    
i=rownetworks[0].numpy()
j=rownetworks[1].numpy()
data=np.ones_like(i)
rownetworks=spp.coo_matrix((data,(i,j)),shape=(features.shape[0],features.shape[0]))