共有1个答案
最常见的选择是CSC或CSR存储。这两种方法对于矩阵向量乘法都是有效的。如果你必须自己做，编写那些乘法例程也很容易。
也就是说，耶鲁存储也产生了非常有效的矩阵-向量乘法。如果您正在执行矩阵元素查找，那么您误解了如何使用格式。我建议您研究一些标准稀疏库，以了解矩阵向量乘法是如何实现的。
即使使用当前的存储空间，也可以执行O(n)复杂度的矩阵乘法。我所见过的所有稀疏矩阵向量乘法算法都归结为相同的步骤。例如，考虑y=ax。
-
null
for (i=0; i<N; i++)
for (j=0; j<N; j++)
y[i] += A[i,j]*x[j]
这就是导致您执行查找的原因。
但我并不是建议您坚持使用std::map存储。那不会是超级高效的。我推荐CSC主要是因为它是应用最广泛的。
-
在使用numpy的python中，假设我有两个矩阵： 稀疏矩阵 密集的x*y矩阵 现在我想做，它将返回一个密集的矩阵。 但是，我只关心中非零的单元格，这意味着如果我这样做了，对我的应用程序不会有任何影响 <代码>S\u=S*S\u 显然，这将是对操作的浪费，因为我想把在
-
稀疏矩阵(Sparse Matrix) 注：压缩存储的矩阵可以分为特殊矩阵和稀疏矩阵。对于那些具有相同元素或零元素在矩阵中分布具有一定规律的矩阵，被称之为特殊矩阵。对于那些零元素数据远远多于非零元素数目，并且非零元素的分布没有规律的矩阵称之为稀疏矩阵。 1. 稀疏矩阵的概念 在矩阵中，若数值为0的元素数目远远多于非0元素的数目时，则称该矩阵为稀疏矩阵。与之相反，若非0元素数目占大多数时，则称该矩阵
-
我正在计算两大组向量（具有相同特征）之间的余弦相似度。每组向量表示为一个scipy CSR稀疏矩阵a和B。我想计算一个x B^T，它不会稀疏。但是，我只需要跟踪超过某个阈值的值，例如0.8。我正试图用vanilla RDD在Pyspark中实现这一点，目的是使用为scipy CSR矩阵实现的快速向量操作。 A和B的行是标准化的，所以为了计算余弦相似度，我只需要找到A中每一行与B中每一行的点积。A的
-
我正在处理一个非常大的稀疏矩阵乘法（matmul）问题。作为一个例子，让我们说： > A是一个二进制（75 x 200,000）矩阵。它很稀疏，所以我使用csc进行存储。我需要执行以下matmul操作： B=A.转置（）*A 输出将是大小为200Kx200K的稀疏对称矩阵。 不幸的是，B存储在我笔记本电脑上的RAM（或“核心”）中会变得太大。另一方面，我很幸运，因为B有一些属性可以解决这个问题。
-
我正在实现一个稀疏矩阵类，使用映射向量来存储数据（映射表示矩阵的一行，其中键是列的索引，值是该位置的maitrix的值）我已经编写了计算行列式的函数，但我不知道是否有一种方法可以计算这种节省的时间（因为矩阵是稀疏的，大多数值为零）在这里我的实现： 这是类接口 我计算行列式的方式是什么？假设运算符（）以这种方式重载 提前感谢您的帮助
-
2.5.1 介绍 (密集) 矩阵是: 数据对象 存储二维值数组的数据结构 重要特征: 一次分配所有项目的内存 通常是一个连续组块，想一想Numpy数组 快速访问个项目(*) 2.5.1.1 为什么有稀疏矩阵？ 内存，增长是n**2 小例子（双精度矩阵）: In [2]: import numpy as np import matplotlib.pyplot as plt x = np.li