pytorch_sparse下载pytorch_sparse源代码下载

pytorch_sparse

Python

0.6.18

下载

Pytorch稀疏

该软件包由一个小型扩展库组成，其中包括具有自动射击支持的优化稀疏矩阵操作。该软件包当前包含以下方法：

合并
转置
稀疏密集矩阵乘法
稀疏稀疏基质乘法

所有包括在不同数据类型上的操作工作，并针对CPU和GPU实施。为了避免创建torch.sparse_coo_tensor ，此软件包通过简单地将index和value张量作为参数（具有与Pytorch中定义的相同形状）来定义稀疏张量的操作。请注意，仅具有自动踢的value ，因为index是离散的，因此没有可区分。

安装

Anaconda

更新：您现在可以通过Anaconda安装pytorch-sparse以用于所有主要的OS/Pytorch/CUDA组合？鉴于您安装了pytorch >= 1.8.0 ，只需运行

 conda install pytorch-sparse -c pyg

二进制

或者，我们为所有主要的OS/Pytorch/CUDA组合提供PIP轮毂，请参见此处。

Pytorch 2.5

要安装Pytorch 2.5.0的二进制文件，只需运行

 pip install torch-scatter torch-sparse -f https://data.pyg.org/whl/torch-2.5.0+${CUDA}.html

${CUDA}应取代cpu ， cu118 ， cu121或cu124 ，具体取决于您的pytorch安装。

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
视窗	✅	✅	✅	✅
macos	✅

Pytorch 2.4

要安装Pytorch 2.4.0的二进制文件，只需运行

 pip install torch-scatter torch-sparse -f https://data.pyg.org/whl/torch-2.4.0+${CUDA}.html

${CUDA}应取代cpu ， cu118 ， cu121或cu124 ，具体取决于您的pytorch安装。

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
视窗	✅	✅	✅	✅
macos	✅

Note: Binaries of older versions are also provided for PyTorch 1.4.0, PyTorch 1.5.0, PyTorch 1.6.0, PyTorch 1.7.0/1.7.1, PyTorch 1.8.0/1.8.1, PyTorch 1.9.0, PyTorch 1.10.0/1.10.1/1.10.2, PyTorch 1.11.0, PyTorch 1.12.0/1.12.1，Pytorch 1.13.0/1.13.1，Pytorch 2.0.0/2.0.1，Pytorch 2.1.0/2.1.1.1/2.1.2，Pytorch 2.2.0/2.2.1.2.1.2.1/2.2.2，以及Pytorch 2.3.0/2.3.0/2.3.0/2.3.1/2.3.1（遵循同一过程）。对于较旧的版本，您需要明确指定最新的支持版本号，或通过pip install --no-index安装，以防止源头安装手动安装。您可以在此处查找最新支持的版本号。

来自来源

确保安装了至少Pytorch 1.7.0，并验证cuda/bin and cuda/include分别在您的$PATH和$CPATH中，例如：

 $ python -c "import torch; print(torch.__version__)"
>>> 1.7.0

$ echo $PATH
>>> /usr/local/cuda/bin:...

$ echo $CPATH
>>> /usr/local/cuda/include:...

如果您想额外构建具有METIS支持的torch-sparse ，例如用于分区，请按照Install.txt文件中的说明下载并安装METIS库。请注意，METIS需要通过更改include/metis.h安装64个位IDXTYPEWIDTH 。之后， WITH_METIS=1设置环境变量。

然后运行：

 pip install torch-scatter torch-sparse

当在没有NVIDIA驱动程序的Docker容器中运行时，Pytorch需要评估计算功能，并且可能会失败。在这种情况下，请确保通过TORCH_CUDA_ARCH_LIST设置计算功能，例如：

 export TORCH_CUDA_ARCH_LIST="6.0 6.1 7.2+PTX 7.5+PTX"

功能

合并

 torch_sparse.coalesce(index, value, m, n, op="add") -> (torch.LongTensor, torch.Tensor)

划分的index并删除重复的条目。重复的条目通过将它们散布在一起来删除。为了散射，可以使用torch_scatter的任何操作。

参数

索引（longtensor） - 稀疏基质的索引张量。
值（张量） - 稀疏矩阵的值张量。
m （int） - 稀疏矩阵的第一维。
n （int） - 稀疏矩阵的第二维。
OP （字符串，可选） - 要使用的散点操作。（默认： "add" ）

返回

索引（longtensor） - 稀疏基质的合并索引张量。
值（张量） - 稀疏基质的合并价值张量。

例子

 import torch
from torch_sparse import coalesce

index = torch . tensor ([[ 1 , 0 , 1 , 0 , 2 , 1 ],
                      [ 0 , 1 , 1 , 1 , 0 , 0 ]])
value = torch . Tensor ([[ 1 , 2 ], [ 2 , 3 ], [ 3 , 4 ], [ 4 , 5 ], [ 5 , 6 ], [ 6 , 7 ]])

index , value = coalesce ( index , value , m = 3 , n = 2 )

 print(index)
tensor([[0, 1, 1, 2],
        [1, 0, 1, 0]])
print(value)
tensor([[6.0, 8.0],
        [7.0, 9.0],
        [3.0, 4.0],
        [5.0, 6.0]])

转置

 torch_sparse.transpose(index, value, m, n) -> (torch.LongTensor, torch.Tensor)

稀疏基质的尺寸为0和1。

参数

索引（longtensor） - 稀疏基质的索引张量。
值（张量） - 稀疏矩阵的值张量。
m （int） - 稀疏矩阵的第一维。
n （int） - 稀疏矩阵的第二维。
结合（布尔，可选） - 如果设置为False ，则不会融合产出。（默认： True ）

返回

索引（longtensor） - 稀疏基质的转置索引张量。
值（张量） - 稀疏矩阵的转置值张量。

例子

 import torch
from torch_sparse import transpose

index = torch . tensor ([[ 1 , 0 , 1 , 0 , 2 , 1 ],
                      [ 0 , 1 , 1 , 1 , 0 , 0 ]])
value = torch . Tensor ([[ 1 , 2 ], [ 2 , 3 ], [ 3 , 4 ], [ 4 , 5 ], [ 5 , 6 ], [ 6 , 7 ]])

index , value = transpose ( index , value , 3 , 2 )

 print(index)
tensor([[0, 0, 1, 1],
        [1, 2, 0, 1]])
print(value)
tensor([[7.0, 9.0],
        [5.0, 6.0],
        [6.0, 8.0],
        [3.0, 4.0]])

稀疏密集矩阵乘法

 torch_sparse.spmm(index, value, m, n, matrix) -> torch.Tensor

具有致密基质的稀疏基质的基质产物。

参数

索引（longtensor） - 稀疏基质的索引张量。
值（张量） - 稀疏矩阵的值张量。
m （int） - 稀疏矩阵的第一维。
n （int） - 稀疏矩阵的第二维。
矩阵（张量） - 密集矩阵。

返回

输出（张量） - 致密输出矩阵。

例子

 import torch
from torch_sparse import spmm

index = torch . tensor ([[ 0 , 0 , 1 , 2 , 2 ],
                      [ 0 , 2 , 1 , 0 , 1 ]])
value = torch . Tensor ([ 1 , 2 , 4 , 1 , 3 ])
matrix = torch . Tensor ([[ 1 , 4 ], [ 2 , 5 ], [ 3 , 6 ]])

out = spmm ( index , value , 3 , 3 , matrix )

 print(out)
tensor([[7.0, 16.0],
        [8.0, 20.0],
        [7.0, 19.0]])

稀疏稀疏基质乘法

 torch_sparse.spspmm(indexA, valueA, indexB, valueB, m, k, n) -> (torch.LongTensor, torch.Tensor)

两个稀疏张量的基质产物。两种输入稀疏矩阵都需要合并（使用coalesced属性来强制）。

参数

indexa （longtensor） - 第一个稀疏基质的索引张量。
ValueA （张量） - 第一个稀疏矩阵的值张量。
indexB （longTensor） - 第二稀疏基质的索引张量。
valueB （张量） - 第二稀疏矩阵的值张量。
m （int） - 第一个稀疏矩阵的第一维。
K （int） - 第一稀疏矩阵的第二维和第二个稀疏矩阵的第一维。
n （int） - 第二个稀疏矩阵的第二维。
合并（bool，可选） ：如果设置为True ，则将合并两个输入稀疏矩阵。（默认： False ）

返回

索引（longTensor） - 稀疏矩阵的输出索引张量。
值（张量） - 稀疏矩阵的输出值张量。

例子

 import torch
from torch_sparse import spspmm

indexA = torch . tensor ([[ 0 , 0 , 1 , 2 , 2 ], [ 1 , 2 , 0 , 0 , 1 ]])
valueA = torch . Tensor ([ 1 , 2 , 3 , 4 , 5 ])

indexB = torch . tensor ([[ 0 , 2 ], [ 1 , 0 ]])
valueB = torch . Tensor ([ 2 , 4 ])

indexC , valueC = spspmm ( indexA , valueA , indexB , valueB , 3 , 3 , 2 )

 print(indexC)
tensor([[0, 1, 2],
        [0, 1, 1]])
print(valueC)
tensor([8.0, 6.0, 8.0])

运行测试

 pytest

C ++ API

torch-sparse还提供了一个C ++ API，其中包含C ++等效的Python模型。为此，我们需要将TorchLib添加到-DCMAKE_PREFIX_PATH （例如，它可能存在于{CONDA}/lib/python{XX}/site-packages/torch中，如果通过conda安装）：

 mkdir build
cd build
# Add -DWITH_CUDA=on support for CUDA support
cmake -DCMAKE_PREFIX_PATH="..." ..
make
make install

展开

附加信息

版本 0.6.18
类型 Python
更新时间 2025-07-12
大小 123.67KB
来自于 Github