Python PyTorch sum用法及代碼示例

本文簡要介紹python語言中 torch.sparse.sum 的用法。

用法:

torch.sparse.sum(input, dim=None, dtype=None)

參數：

• input(Tensor) -輸入稀疏張量

• dim(int或者python的元組：ints) -要減少的維度或維度列表。默認值：減少所有暗淡。

• dtype(torch.dtype， 可選的) -返回張量的所需數據類型。默認值：input 的數據類型。

返回給定維度 dim 中稀疏張量 input 的每一行的總和。如果dim 是維度列表，則對所有維度進行歸約。當對所有 sparse_dim 求和時，此方法返回密集張量而不是稀疏張量。

所有求和的 dim 都被壓縮(參見 torch.squeeze() )，導致輸出張量的 dim 比 input 的維度少。

在反向期間，隻有input 的nnz 位置處的梯度會向後傳播。請注意，input 的梯度是合並的。

例子：

>>> nnz = 3
>>> dims = [5, 5, 2, 3]
>>> I = torch.cat([torch.randint(0, dims[0], size=(nnz,)),
                   torch.randint(0, dims[1], size=(nnz,))], 0).reshape(2, nnz)
>>> V = torch.randn(nnz, dims[2], dims[3])
>>> size = torch.Size(dims)
>>> S = torch.sparse_coo_tensor(I, V, size)
>>> S
tensor(indices=tensor([[2, 0, 3],
                       [2, 4, 1]]),
       values=tensor([[[-0.6438, -1.6467,  1.4004],
                       [ 0.3411,  0.0918, -0.2312]],

                      [[ 0.5348,  0.0634, -2.0494],
                       [-0.7125, -1.0646,  2.1844]],

                      [[ 0.1276,  0.1874, -0.6334],
                       [-1.9682, -0.5340,  0.7483]]]),
       size=(5, 5, 2, 3), nnz=3, layout=torch.sparse_coo)

# when sum over only part of sparse_dims, return a sparse tensor
>>> torch.sparse.sum(S, [1, 3])
tensor(indices=tensor([[0, 2, 3]]),
       values=tensor([[-1.4512,  0.4073],
                      [-0.8901,  0.2017],
                      [-0.3183, -1.7539]]),
       size=(5, 2), nnz=3, layout=torch.sparse_coo)

# when sum over all sparse dim, return a dense tensor
# with summed dims squeezed
>>> torch.sparse.sum(S, [0, 1, 3])
tensor([-2.6596, -1.1450])