前言
import torch
当一个tensor有特别多0的时候，我们可以使用稀疏矩阵来存储，大家可能都听过的库是sicpy，不过，本文要讲的是torch。
构造
有大量0元素的时候，我们可以使用坐标形式存储稀疏矩阵，例如我们有一个3*3的矩阵，但是只有0，0处有值，值为1，其他地方全为0，那么我们只需要如下做即可：
i = torch.LongTensor([[0],
[0]])
v = torch.FloatTensor([1])
a=torch.sparse.FloatTensor(i, v, torch.Size([3,3]))
a
解释：
- nnz means: number of non zero elements.即非0元素个数。
- 布局就是稀疏矩阵存储格式，我们这里是坐标形式，即coordinate，这个和scipy一样。
注意，我们的稀疏张量格式允许uncoalesced(未合并) 的稀疏张量, 什么意思？如下：
i = torch.LongTensor([[0,0],
[0,0]])
v = torch.FloatTensor([1,5])
a=torch.sparse.FloatTensor(i, v, torch.Size([3,3]))
a
可以发现，坐标0，0处值为1，又为5，非常反直觉。其实，这只是未合并而已，合并的意思就是会加起来，从而变成6，也就是说坐标0，0处的值实际上为6。
a.coalesce()#进行合并操作
注意，默认情况上，如果按照上述方法来构造稀疏矩阵，那么就是未合并状态uncoalesced=True，而不管你是否有重复的坐标。
属性和运算
a.indices()#查看坐标
a.values()#查看非零值
#注意，这个针对的是coalesced的稀疏矩阵才可以。
a._indices()#前面加一个_，这个不需要合并的稀疏矩阵，其会原样返回构造时候的索引。
a.to_dense()#将稀疏tensor转化为稠密tensor。
a *= 1000#所有值乘以1000.
a +=1000#这个不允许，因为加1000需要每一个元素都加，直接就破坏了稀疏矩阵结构了，原来0的现在变成了非0.
tensor([[1., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
两个稀疏矩阵相减，这个也比较容易实现，合并两者的坐标，然后相减即可，如下:
i = torch.LongTensor([[0,0],
[0,1]])
v = torch.FloatTensor([1,5])
a=torch.sparse.FloatTensor(i, v, torch.Size([3,3]))
i = torch.LongTensor([[0,0],
[0,2]])
v = torch.FloatTensor([1,4])
b=torch.sparse.FloatTensor(i, v, torch.Size([3,3]))
a-b
tensor(indices=tensor([[0, 0, 0],
[0, 1, 2]]),
values=tensor([ 0., 5., -4.]),
size=(3, 3), nnz=3, layout=torch.sparse_coo)
同理，两个稀疏矩阵相加，也是比较容易实现的（因为加法和减法本质上一样），而且此时会重新排列那个indices，排列准则是坐标中的x坐标，从小到大排列。
上面说完了加减乘除，其他的还有按照某个维度求和：
torch.sparse.sum(a,dim=1)
这个也是比较容易实现的，因为只需要找到每一行的索引以及值，然后相加即可。
