torch.sparse.sum

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

返回给定稀疏张量每行的和。

返回稀疏张量 input 在给定维度 dim 上的求和。如果 dim 是一个维度列表，则对所有这些维度进行降维。当对所有 sparse_dim 进行求和时，此方法返回一个密集张量而不是稀疏张量。

所有求和的 dim 都会被压缩（见 torch.squeeze() ），结果输出张量的维度比 input 少 dim 。

在反向传播过程中，只有 nnz 位置的 input 的梯度会反向传播。注意， input 的梯度是合并的。

参数:

• 输入（张量）- 输入稀疏张量

• dim（int 或 int 的元组）- 要降维的维度或维度列表。默认：对所有维度进行降维。

• dtype（ torch.dtype ，可选）- 返回 Tensor 期望的数据类型。默认： input 的数据类型。

返回类型:

张量

示例：

>>> 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])