dgl.sparse.SparseMatrix.reduce

SparseMatrix.reduce(dim: int | None = None, rtype: str = 'sum')

计算稀疏矩阵input中非零值沿给定维度dim的缩减。

减少操作不计算零元素。如果要减少的行或列没有任何非零元素，结果将为0。

Parameters:

• input (SparseMatrix) – The input sparse matrix

• dim (int, optional) –

  要减少的维度，必须是0（按行）或1（按列）或None（同时按行和列）

  如果dim为None，它将同时减少稀疏矩阵的行和列，生成形状为input.val.shape[1:]的张量。否则，它将按行（dim=0）或列（dim=1）减少，生成形状为(input.shape[1],) + input.val.shape[1:]或(input.shape[0],) + input.val.shape[1:]的张量。

• rtype (str, optional) – 缩减类型，其中之一为 ['sum', 'smin', 'smax', 'smean', 'sprod']， 表示对非零元素进行求和、最小值、最大值、平均值和乘积操作

Returns:

简化张量

Return type:

torch.Tensor

示例

案例1：标量值稀疏矩阵

>>> indices = torch.tensor([[0, 1, 1], [0, 0, 2]])
>>> val = torch.tensor([1, 1, 2])
>>> A = dglsp.spmatrix(indices, val, shape=(4, 3))
>>> dglsp.reduce(A, rtype='sum')
tensor(4)
>>> dglsp.reduce(A, 0, 'sum')
tensor([2, 0, 2])
>>> dglsp.reduce(A, 1, 'sum')
tensor([1, 3, 0, 0])
>>> dglsp.reduce(A, 0, 'smax')
tensor([1, 0, 2])
>>> dglsp.reduce(A, 1, 'smin')
tensor([1, 1, 0, 0])

案例2：向量值稀疏矩阵

>>> indices = torch.tensor([[0, 1, 1], [0, 0, 2]])
>>> val = torch.tensor([[1., 2.], [2., 1.], [2., 2.]])
>>> A = dglsp.spmatrix(indices, val, shape=(4, 3))
>>> dglsp.reduce(A, rtype='sum')
tensor([5., 5.])
>>> dglsp.reduce(A, 0, 'sum')
tensor([[3., 3.],
        [0., 0.],
        [2., 2.]])
>>> dglsp.reduce(A, 1, 'smin')
tensor([[1., 2.],
        [2., 1.],
        [0., 0.],
        [0., 0.]])
>>> dglsp.reduce(A, 0, 'smean')
tensor([[1.5000, 1.5000],
        [0.0000, 0.0000],
        [2.0000, 2.0000]])