dgl.sparse.SparseMatrix.softmax

SparseMatrix.softmax(dim: int = 1) → SparseMatrix

对稀疏矩阵的非零元素在维度 :attr:dim 上应用softmax。dim = 0 或 1 分别表示按列或按行的softmax。

如果 input.val 的形状为 (nnz, D)，那么输出矩阵 output 和 output.val 的形状将与 input 和 input.val 相同。output.val[:, i] 是基于 input.val[:, i] 计算的。

Parameters:

输入 (SparseMatrix) – 输入的稀疏矩阵

Returns:

输出的稀疏矩阵

Return type:

SparseMatrix

示例

案例1：在形状为(nnz)的矩阵上进行行方向的softmax

>>> indices = torch.tensor([[0, 0, 1, 2], [1, 2, 2, 0]])
>>> val = torch.tensor([0., 1., 2., 3.])
>>> A = dglsp.spmatrix(indices, val)
>>> dglsp.softmax(A)
SparseMatrix(indices=tensor([[0, 0, 1, 2],
                             [1, 2, 2, 0]]),
             values=tensor([0.2689, 0.7311, 1.0000, 1.0000]),
             shape=(3, 3), nnz=4)

案例2：在形状为 (nnz, D) 的矩阵上进行逐行softmax

>>> indices = torch.tensor([[0, 0, 1, 2], [1, 2, 2, 0]])
>>> val = torch.tensor([[0., 7.], [1., 3.], [2., 2.], [3., 1.]])
>>> A = dglsp.spmatrix(indices, val)
>>> dglsp.softmax(A)
SparseMatrix(indices=tensor([[0, 0, 1, 2],
                             [1, 2, 2, 0]]),
             values=tensor([[0.2689, 0.9820],
                            [0.7311, 0.0180],
                            [1.0000, 1.0000],
                            [1.0000, 1.0000]]),
             shape=(3, 3), nnz=4, val_size=(2,))

案例3：在形状为(nnz)的矩阵上进行列方向的softmax

>>> indices = torch.tensor([[0, 0, 1, 2], [1, 2, 2, 0]])
>>> val = torch.tensor([0., 1., 2., 3.])
>>> A = dglsp.spmatrix(indices, val)
>>> dglsp.softmax(A, 0)
SparseMatrix(indices=tensor([[0, 0, 1, 2],
                             [1, 2, 2, 0]]),
             values=tensor([1.0000, 0.2689, 0.7311, 1.0000]),
             shape=(3, 3), nnz=4)