前提知识：LongTensor()是64位整数型向量，FloatTensor()是32位浮点数向量。

---

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。

一个3*3的矩阵，但是只有坐标（0,0）处有值（值为1），其他地方全为0：

i = torch.LongTensor([[0],
                      [0]])
v = torch.FloatTensor([1])
a=torch.sparse.FloatTensor(i, v, torch.Size([3,3]))
a

---

未合并的稀疏矩阵向量： 

i = torch.LongTensor([[0,0],
                          [0,0]])
v = torch.FloatTensor([1,5])
a=torch.sparse.FloatTensor(i, v, torch.Size([3,3]))
a

 

 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

 默认情况上，如果按照上述方法来构造稀疏矩阵，就是未合并状态uncoalesced=True，而不管是否有重复的坐标。

---

属性计算

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。

稀疏矩阵转换为稠密矩阵

a.to_dense()  #将稀疏tensor转化为稠密tensor

两个稀疏矩阵相减（两个未合并的稀疏矩阵相减）

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

结果：

tensor(indices=tensor([[0, 0, 0],
[0, 1, 2]]),
values=tensor([ 0., 5., -4.]),
size=(3, 3), nnz=3, layout=torch.sparse_coo)