SparseMatrixOrderingAMD

ترتیب حداقل درجه تقریبی (AMD) "ورودی" را محاسبه می کند.

ترتیب حداقل درجه تقریبی (AMD) را برای یک ماتریس پراکنده محاسبه می کند.

جایگشت برگشتی ممکن است برای جایگشت سطرها و ستون های ماتریس پراکنده داده شده استفاده شود. این به طور معمول باعث می‌شود که Cholesky پراکنده ماتریس پراکنده (یا تجزیه‌های دیگر) جایگشت‌شده در مقایسه با تجزیه ماتریس اصلی، پر کردن صفر کمتری داشته باشد.

ماتریس پراکنده ورودی ممکن است دارای رتبه 2 یا رتبه 3 باشد. تانسور خروجی که نشان دهنده آن است به ترتیب دارای رتبه 1 یا 2 با همان شکل دسته ای ورودی خواهد بود.

هر جزء از ماتریس پراکنده ورودی باید یک ماتریس متقارن مربع را نشان دهد. فقط قسمت مثلثی پایین ماتریس خوانده می شود. مقادیر ماتریس پراکنده بر جایگشت برگشتی تأثیر نمی گذارد، فقط از الگوی پراکندگی ماتریس پراکنده استفاده می شود. از این رو، یک سفارش AMD ممکن است برای تجزیه های Cholesky ماتریس های پراکنده با همان الگوی پراکندگی اما با مقادیر احتمالاً متفاوت دوباره استفاده شود.

هر جزء دسته‌ای از جایگشت خروجی نشان‌دهنده جایگشتی از عناصر «N» است، که در آن اجزای ماتریس پراکنده ورودی هر کدام دارای ردیف‌های «N» هستند. یعنی مؤلفه دقیقاً یک بار حاوی هر یک از اعداد صحیح «{0, .. N-1}» است. عنصر "i" نمایانگر ردیفی است که ردیف "i" به آن نگاشت می شود.

به عنوان مثال استفاده:

from tensorflow.python.ops.linalg.sparse import sparse_csr_matrix_ops
 
     a_indices = np.array([[0, 0], [1, 1], [2, 1], [2, 2], [3, 3]])
     a_values = np.array([1.0, 2.0, 1.0, 3.0, 4.0], np.float32)
     a_dense_shape = [4, 4]
 
     with tf.Session() as sess:
       # Define (COO format) SparseTensor over Numpy array.
       a_st = tf.sparse.SparseTensor(a_indices, a_values, a_dense_shape)
 
       # Convert SparseTensors to CSR SparseMatrix.
       a_sm = sparse_csr_matrix_ops.sparse_tensor_to_csr_sparse_matrix(
           a_st.indices, a_st.values, a_st.dense_shape)
 
       # Obtain the AMD Ordering for the CSR SparseMatrix.
       ordering_amd = sparse_csr_matrix_ops.sparse_matrix_ordering_amd(sparse_matrix)
 
       ordering_amd_value = sess.run(ordering_amd)
 

ورودی: یک «CSRSparseMatrix».