在Pytorch上使用稀疏矩阵
最近在写一个NLP的小项目，用到了Pytorch做神经网络模型。但是众所周知NLP的一个特点就是特征矩阵是稀疏矩阵，当时处理稀疏矩阵用的是scipy.sparse，现在要把它放到Pytorch中，还是费了一点周折的
首先，如何把python的二维数组(这里以trainData为例)转换为稀疏矩阵呢？这一步很简单，只需要
from scipy.sparse import coo_matrix,然后使用coo_matrix(trainData)就好了
其实 scipy.sparse下面有三种稀疏矩阵，这篇文章有一个大概的介绍:
scipy.sparse.coo_matrix是三元组，不能按行也不能按列切片
to_csr 是按行压缩的稀疏矩阵，按行切片比较快，可以按列切片
to_csc 是按列压缩的稀疏矩阵，按列切片比较快，可以按行切片
这篇文章介绍了稀疏矩阵的COO和CSR存储方式：https://blog.csdn.net/u012101561/article/details/90348288
这里我们使用coo_matrix就好，是因为我们等会要重新创建torch上的稀疏矩阵，这里只要参数就好了。
如何将scipy上的稀疏矩阵转换为torch上的:
values =X_train.data
indices = np.vstack((X_train.row, X_train.col))
i = torch.LongTensor(indices)
v = torch.FloatTensor(values)
shape = X_train.shape
X_train=torch.sparse.FloatTensor(i, v, torch.Size(shape))
上面这部分可以写成个函数
要恢复为完整的二维tensor，直接调用X_train的to_dense()方法就好了，返回值就是普通的tensor
但是，遇到了新的问题，Torch上的稀疏矩阵怎么作为神经网络模型的输入呢？我在网上查了半天也没看到，只有一个keras的教程：https://www.jianshu.com/p/a7dadd842f78 。个人觉得在torch上应该也是有办法的，遇到了这个问题的同学可以在Github上查找一些torch做NLP的项目，因为我不是做这个方向的，所以没有深究。
什么，你问我是怎么解决的？我把项目放到内存比个人电脑大得多的服务器上运行了2333