正确构建稀疏张量需用torch.long类型索引并按字典序排序，重复索引必须调用.coalesce()合并；torch.nn.functional.conv2d不支持稀疏输入是因底层未实现稀疏路径，可用torch-sparse等替代方案。
怎样用 torch.sparse_coo_tensor 正确构建稀疏张量
PyTorch 的稀疏张量不是“把密集张量塞进稀疏容器”就能用的，torch.sparse_coo_tensor 要求显式传入索引和值，且索引必须是 torch.long 类型、按字典序排序（否则后续运算可能静默出错或报 RuntimeError: indices must be in sorted order）。
常见错误是直接用 np.where 或布尔索引得到的 int64 数组没转 dtype，或没调用 .coalesce() 合并重复索引：
indices = torch.tensor([[0, 1, 1], [2, 0, 2]]) # shape (2, 3)，行/列索引 values = torch.tensor([1.0, 2.0, 3.0]) # ❌ 错误：未指定 dtype，某些环境下会隐式转为 float # ✅ 正确写法： indices = torch.tensor([[0, 1, 1], [2, 0, 2]], dtype=torch.long) sparse_t = torch.sparse_coo_tensor(indices, values, size=(2, 3)) # 若 values 有重复位置（如 [1,0] 出现两次），必须 coalesce： sparse_t = sparse_t.coalesce() # 合并重复索引，求和
为什么 torch.nn.functional.conv2d 不支持稀疏输入
PyTorch 官方卷积算子（包括 F.conv2d、nn.Conv2d）只接受密集 torch.Tensor，传入 sparse_coo 会直接报 TypeError: expected Tensor as element 0 in argument 0, but got SparseTensor。这不是 bug，而是设计限制——底层 CUDA 卷积 kernel 没实现稀疏路径。
可行替代方案只有两个：
- 手动实现稀疏卷积：提取非零位置，对每个非零点做局部窗口 gather + 权重相乘 + scatter_add，适合小 kernel（如 3×3）但慢；
- 用第三方库：
torch-sparse提供了SparseConv层，底层用 CUDA 写的稀疏 GEMM，性能接近密集卷积； - 更常见的做法：只在图神经网络（GNN）场景下用稀疏邻接矩阵做消息传递，而非图像卷积——图像稀疏性通常不够高，转稀疏反而因额外索引开销变慢。
torch-sparse 中 SparseConv 怎么配参数才不崩
torch-sparse 的 SparseConv 不是 PyTorch 原生模块，需单独 pip install，且它的输入格式和 PyTorch 常规习惯相反：它要求输入是 (N, C_in) 的节点特征 + edge_index（形状为 (2, E)），而不是图像那样的 (N, C, H, W)。
关键配置点：
-
in_channels和out_channels必须显式指定，不能靠 shape 推断； -
edge_index必须是torch.long，且每列是[src, dst]，不是[row, col]（注意方向）； - 如果想模拟 3×3 卷积，得先把图像展平成图结构：每个像素是节点，相邻像素连边，生成
edge_index（可用torch_geometric.utils.grid辅助）； - 别忘了加
torch.sparse_coo_tensor(edge_index, torch.ones(E), size=(N,N)).coalesce()验证是否合法——torch-sparse内部仍依赖 PyTorch 稀疏格式。
稀疏矩阵乘法（@ 或 torch.sparse.mm）的坑
PyTorch 稀疏乘法只支持 COO 格式左乘 dense、或 sparse @ sparse（后者要求两个都是 COO 且维度兼容），但 sparse @ sparse 实际调用的是 torch.sparse.mm，它**不自动 coalesce** —— 如果输入稀疏矩阵有重复索引，结果会错误。
典型翻车场景：
- 用
torch.sparse_coo_tensor构造邻接矩阵时没调.coalesce()； - 多个稀疏矩阵相加后直接相乘（
A + B结果仍是 COO，但未合并重复索引）； - GPU 上运行时，
.coalesce()是必须显式调用的，CPU 上有时容忍但行为不一致。
安全写法：
A = torch.sparse_coo_tensor(idx_a, val_a, size).coalesce() B = torch.sparse_coo_tensor(idx_b, val_b, size).coalesce() C = torch.sparse.mm(A, B).coalesce() # 连续乘法也要 coalesce
稀疏乘法结果默认仍是 COO，但若后续要转 dense（.to_dense()），务必确认内存够——一个 10k×10k 的 1% 稀疏度矩阵，dense 形式要占 ~800MB。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
