参考来源：
    CSDN：tensor torch 构造_TORCH.SPARSE

    注意：此 API 目前是实验性的，可能会用在以后更新的版本，我目前看的文档是 v1.1.0。

    在 TENSOR ATTRIBUTES 中提到，torch.tensor 都有三个属性：dtype、device、layout。
    而 layout 支持两种内存布局模式：torch.strided 和 torch.sparse_coo。
    Torch 支持 COO（rdinate）格式的稀疏张量，可以有效地存储和处理大多数元素为零的张量。
    sparse tensor 可以表示为一对 dense tensors：一个张量的 value 和一个二维的张量 indices；一个稀疏张量可以通过提供这两个张量, 以及稀疏张量的大小来构造(从这些张量是无法推导出来的！)。
    假设我们要定义一个稀疏张量, 其中 3 在 (0,2) 处, 4 在 (1,0) 处, 5在 (1,2) 处, 然后我们可以这样写：

    1. import torch
    3. i = torch.LongTensor([[0, 1, 1],
    4.                       [2, 0, 2]])
    5. v = torch.FloatTensor([3, 4, 5])
    6. A = torch.sparse.FloatTensor(i, v, torch.Size([2, 3]))
    7. B = A.to_dense()
    8. print(A)
    9. print(B)
    12. """output:
    13. tensor(indices=tensor([[0, 1, 1],
    14.                        [2, 0, 2]]),
    15.        values=tensor([3., 4., 5.]),
    16.        size=(2, 3), nnz=3, layout=torch.sparse_coo)
    17. tensor([[0., 0., 3.],
    18.         [4., 0., 5.]])
    19. """

    注意，LongTensor 的输入不是索引元组的列表. 如果你想这样写你的指标, 你应该在把它们传递给稀疏构造函数之前进行转置：

    1. import torch
    3. i = torch.LongTensor([[0, 2], [1, 0], [1, 2]])
    4. v = torch.FloatTensor([3, 4, 5])
    5. A = torch.sparse.FloatTensor(i.t(), v, torch.Size([2, 3]))
    6. B = A.to_dense()
    7. print(A)
    8. print(B)
    11. """putput:
    12. tensor(indices=tensor([[0, 1, 1],
    13.                        [2, 0, 2]]),
    14.        values=tensor([3., 4., 5.]),
    15.        size=(2, 3), nnz=3, layout=torch.sparse_coo)
    16. tensor([[0., 0., 3.],
    17.         [4., 0., 5.]])
    18. """

    也可以构造混合稀疏张量, 其中只有前 n 个维度是稀疏的，其余维度是密集的。

    1. import torch
    3. i = torch.LongTensor([[2, 4]])
    4. v = torch.FloatTensor([[1, 3], [5, 7]])
    5. A = torch.sparse.FloatTensor(i, v)
    6. B = A.to_dense()
    7. print(A)
    8. print(B)
    11. """output:
    12. tensor(indices=tensor([[2, 4]]),
    13.        values=tensor([[1., 3.],
    14.                       [5., 7.]]),
    15.        size=(5, 2), nnz=2, layout=torch.sparse_coo)
    16. tensor([[0., 0.],
    17.         [0., 0.],
    18.         [1., 3.],
    19.         [0., 0.],
    20.         [5., 7.]])
    21. """

    可以通过指定其大小来构造空的稀疏张量：

    1. import torch
    3. A = torch.sparse.FloatTensor(2, 3)
    4. print(A)
    7. """output:
    8. tensor(indices=tensor([], size=(2, 0)),
    9.        values=tensor([], size=(0,)),
    10.        size=(2, 3), nnz=0, layout=torch.sparse_coo)
    11. """