Memory Tensorflow中的稀疏矩阵三角解？

在Tensorflow中是否有一个用稀疏三角矩阵求解Ax=b的实现？（对应于tf.矩阵_三角形_solve（））

好的，如果我们有一个，例如，作为一个具有稀疏矩阵表示的下三角矩阵，我们需要用tf.sparse_to_dense（）将它转换为稠密矩阵

但是，如果A具有非常大的维度（例如16416x16416）和非常稀疏的条目（例如0.018%（大约45216个非零），则它将占用大量内存

我认为，如果我们能够利用稀疏矩阵解算器，例如在Tensorflow中，对于带状结构的矩阵，这将非常有帮助

对不起，如果我的问题不相关。 例如，如果对此有任何解决方案，我将非常感谢您的帮助

---

谢谢。

TF里有。因此，您目前唯一的方法（正如您所确定的）是

我也有同样的问题，我为它创建了一个自定义op。只要您不想将渐变计算到A中，并且A保持不变，那么以下代码应该会有所帮助：

import tensorflow as tf
import numpy as np
from scipy.sparse import linalg as sla
import scipy

lu = sla.splu(A)

# Define custom py_func which takes also a grad op as argument:
def py_func(func, inp, Tout, stateful=True, name=None, grad=None):

    rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))

    tf.RegisterGradient(rnd_name)(grad)
    g = tf.get_default_graph()
    with g.gradient_override_map({"PyFunc": rnd_name}):
        return tf.py_func(func, inp, Tout, stateful=stateful, name=name)


def sparse_solve(x, lu, dtype=tf.float64, name=None):

    with tf.name_scope(name, 'SparseSolve', [x]) as name:
        solve_x = py_func(lu.solve,
                        [x],
                        [dtype],
                        name=name,
                        grad=_SparseSolveGrad(dtype, lu))
        return solve_x[0]

class _SparseSolveGrad:
    def __init__(self, dtype, lu):
        self.dtype = dtype
        self.lu = lu

    def __call__(self, op, grad):
        x = op.inputs[0]
        y = tf.conj(tf.py_func(self.lu.solve, [tf.conj(grad)], self.dtype))
        return y

该解决方案基于我在上找到的代码

---

至少对我来说，解决方案非常快。如果发现错误（例如在梯度计算中），请告诉我。

是的，正确。如果我们能用稀疏张量做得更多，那将非常好。当然会很好，但现在不可能了