jax.experimental.sparse 模块#

The jax.experimental.sparse 模块包含 JAX 中稀疏矩阵操作的实验支持。它正在积极开发中,API 会发生变化。提供的主要接口是 BCOO 稀疏数组类型和 sparsify() 转换。

批坐标 (BCOO) 稀疏矩阵#

目前 JAX 中可用的主要高级稀疏对象是 BCOO,即 *批坐标* 稀疏数组,它提供了一种与 JAX 变换兼容的压缩存储格式,特别是 JIT(例如 jax.jit())、批处理(例如 jax.vmap())和自动微分(例如 jax.grad())。

以下是如何从密集数组创建稀疏数组的示例

>>> from jax.experimental import sparse
>>> import jax.numpy as jnp
>>> import numpy as np
>>> M = jnp.array([[0., 1., 0., 2.],
...                [3., 0., 0., 0.],
...                [0., 0., 4., 0.]])
>>> M_sp = sparse.BCOO.fromdense(M)
>>> M_sp
BCOO(float32[3, 4], nse=4)

使用 todense() 方法转换回密集数组

>>> M_sp.todense()
Array([[0., 1., 0., 2.],
       [3., 0., 0., 0.],
       [0., 0., 4., 0.]], dtype=float32)

BCOO 格式是标准 COO 格式的略微修改版本,密集表示可以在 dataindices 属性中看到

>>> M_sp.data  # Explicitly stored data
Array([1., 2., 3., 4.], dtype=float32)
>>> M_sp.indices # Indices of the stored data
Array([[0, 1],
       [0, 3],
       [1, 0],
       [2, 2]], dtype=int32)

BCOO 对象具有熟悉的类数组属性,以及特定于稀疏的属性

>>> M_sp.ndim
2
>>> M_sp.shape
(3, 4)
>>> M_sp.dtype
dtype('float32')
>>> M_sp.nse  # "number of specified elements"
4

BCOO 对象还实现了一些类数组方法,允许您在 jax 程序中直接使用它们。例如,这里我们计算转置矩阵向量积

>>> y = jnp.array([3., 6., 5.])
>>> M_sp.T @ y
Array([18.,  3., 20.,  6.], dtype=float32)
>>> M.T @ y  # Compare to dense version
Array([18.,  3., 20.,  6.], dtype=float32)

BCOO 对象旨在与 JAX 变换兼容,包括 jax.jit()jax.vmap()jax.grad() 等等。例如

>>> from jax import grad, jit
>>> def f(y):
...   return (M_sp.T @ y).sum()
...
>>> jit(grad(f))(y)
Array([3., 3., 4.], dtype=float32)

但是请注意,在正常情况下,jax.numpyjax.lax 函数不知道如何处理稀疏矩阵,因此尝试计算诸如 jnp.dot(M_sp.T, y) 之类的结果会导致错误(但是,请参见下一节)。

稀疏化变换#

JAX 稀疏实现的一个总体目标是提供一种方法,使您可以无缝地从密集计算切换到稀疏计算,而无需修改密集实现。此稀疏实验通过 sparsify() 变换来实现这一点。

考虑这个函数,它从矩阵和向量输入计算更复杂的结果

>>> def f(M, v):
...   return 2 * jnp.dot(jnp.log1p(M.T), v) + 1
...
>>> f(M, y)
Array([17.635532,  5.158883, 17.09438 ,  7.591674], dtype=float32)

如果我们直接将稀疏矩阵传递给它,会导致错误,因为 jnp 函数不识别稀疏输入。但是,使用 sparsify(),我们得到一个确实接受稀疏矩阵的函数版本

>>> f_sp = sparse.sparsify(f)
>>> f_sp(M_sp, y)
Array([17.635532,  5.158883, 17.09438 ,  7.591674], dtype=float32)

sparsify() 的支持包括大量最常见的原语,包括

  • 广义(批处理)矩阵积和爱因斯坦求和 (dot_general_p)

  • 保留零的逐元素二元运算(例如 add_pmul_p 等)

  • 保留零的逐元素一元运算(例如 abs_pjax.lax.neg_p 等)

  • 求和归约 (reduce_sum_p)

  • 通用索引操作 (slice_plax.dynamic_slice_plax.gather_p)

  • 连接和堆叠 (concatenate_p)

  • 转置和重塑((transpose_preshape_psqueeze_pbroadcast_in_dim_p

  • 一些高阶函数 (cond_pwhile_pscan_p)

  • 一些简单的 1D 卷积 (conv_general_dilated_p)

几乎任何降低到这些受支持原语的 jax.numpy 函数都可以在稀疏化变换中使用,以对稀疏数组进行操作。这组原语足以实现相对复杂的稀疏工作流,正如下一节所示。

示例:稀疏逻辑回归#

作为更复杂的稀疏工作流的示例,让我们考虑在 JAX 中实现的简单逻辑回归。请注意,以下实现没有引用稀疏性

>>> import functools
>>> from sklearn.datasets import make_classification
>>> from jax.scipy import optimize
>>> def sigmoid(x):
...   return 0.5 * (jnp.tanh(x / 2) + 1)
...
>>> def y_model(params, X):
...   return sigmoid(jnp.dot(X, params[1:]) + params[0])
...
>>> def loss(params, X, y):
...   y_hat = y_model(params, X)
...   return -jnp.mean(y * jnp.log(y_hat) + (1 - y) * jnp.log(1 - y_hat))
...
>>> def fit_logreg(X, y):
...   params = jnp.zeros(X.shape[1] + 1)
...   result = optimize.minimize(functools.partial(loss, X=X, y=y),
...                              x0=params, method='BFGS')
...   return result.x
>>> X, y = make_classification(n_classes=2, random_state=1701)
>>> params_dense = fit_logreg(X, y)
>>> print(params_dense)  
[-0.7298445   0.29893667  1.0248291  -0.44436368  0.8785025  -0.7724008
 -0.62893456  0.2934014   0.82974285  0.16838408 -0.39774987 -0.5071844
  0.2028872   0.5227761  -0.3739224  -0.7104083   2.4212713   0.6310087
 -0.67060554  0.03139788 -0.05359547]

这将返回密集逻辑回归问题的最佳拟合参数。为了在稀疏数据上拟合相同的模型,我们可以应用 sparsify() 变换

>>> Xsp = sparse.BCOO.fromdense(X)  # Sparse version of the input
>>> fit_logreg_sp = sparse.sparsify(fit_logreg)  # Sparse-transformed fit function
>>> params_sparse = fit_logreg_sp(Xsp, y)
>>> print(params_sparse)  
[-0.72971725  0.29878938  1.0246326  -0.44430563  0.8784217  -0.77225566
 -0.6288222   0.29335397  0.8293481   0.16820715 -0.39764675 -0.5069753
  0.202579    0.522672   -0.3740134  -0.7102678   2.4209507   0.6310593
 -0.670236    0.03132951 -0.05356663]

稀疏 API 参考#

sparsify(f[, use_tracer])

实验性的稀疏化变换。

grad(fun[, argnums, has_aux])

jax.grad() 的稀疏感知版本

value_and_grad(fun[, argnums, has_aux])

jax.value_and_grad() 的稀疏感知版本

empty(shape[, dtype, index_dtype, sparse_format])

创建空稀疏数组。

eye(N[, M, k, dtype, index_dtype, sparse_format])

创建 2D 稀疏单位矩阵。

todense(arr)

将输入转换为密集矩阵。

random_bcoo(key, shape, *[, dtype, ...])

生成随机 BCOO 矩阵。

JAXSparse(args, *, shape)

高级 JAX 稀疏对象的基类。

BCOO 数据结构#

BCOO 是 *批处理 COO 格式*,是 jax.experimental.sparse 中实现的主要稀疏数据结构。它的操作与 JAX 的核心变换兼容,包括批处理(例如 jax.vmap())和自动微分(例如 jax.grad())。

BCOO(args, *, shape[, indices_sorted, ...])

在 JAX 中实现的实验性批处理 COO 矩阵

bcoo_broadcast_in_dim(mat, *, shape, ...)

通过复制数据来扩展 BCOO 数组的大小和秩。

bcoo_concatenate(operands, *, dimension)

jax.lax.concatenate() 的稀疏实现

bcoo_dot_general(lhs, rhs, *, dimension_numbers)

一个一般的收缩操作。

bcoo_dot_general_sampled(A, B, indices, *, ...)

在给定的稀疏索引处计算输出的收缩操作。

bcoo_dynamic_slice(mat, start_indices, ...)

{func}`jax.lax.dynamic_slice` 的稀疏实现。

bcoo_extract(sparr, arr, *[, assume_unique])

根据稀疏数组的索引从密集数组中提取值。

bcoo_fromdense(mat, *[, nse, n_batch, ...])

从密集矩阵创建 BCOO 格式的稀疏矩阵。

bcoo_gather(operand, start_indices, ...[, ...])

lax.gather 的 BCOO 版本。

bcoo_multiply_dense(sp_mat, v)

稀疏数组和密集数组之间的逐元素乘法。

bcoo_multiply_sparse(lhs, rhs)

两个稀疏数组之间的逐元素乘法。

bcoo_update_layout(mat, *[, n_batch, ...])

更新 BCOO 矩阵的存储布局(即 n_batch 和 n_dense)。

bcoo_reduce_sum(mat, *, axes)

在给定轴上对数组元素求和。

bcoo_reshape(mat, *, new_sizes[, dimensions])

对 {func}`jax.lax.reshape` 的稀疏实现。

bcoo_slice(mat, *, start_indices, limit_indices)

对 {func}`jax.lax.slice` 的稀疏实现。

bcoo_sort_indices(mat)

对 BCOO 数组的索引进行排序。

bcoo_squeeze(arr, *, dimensions)

对 {func}`jax.lax.squeeze` 的稀疏实现。

bcoo_sum_duplicates(mat[, nse])

对 BCOO 数组中重复的索引求和,返回一个具有排序索引的数组。

bcoo_todense(mat)

将批处理稀疏矩阵转换为密集矩阵。

bcoo_transpose(mat, *, permutation)

转置 BCOO 格式的数组。

BCSR 数据结构#

BCSR批处理压缩稀疏行格式,目前正在开发中。其操作与 JAX 的核心转换兼容,包括批处理(例如 jax.vmap())和自动微分(例如 jax.grad())。

BCSR(args, *, shape[, indices_sorted, ...])

JAX 中实现的实验性批处理 CSR 矩阵。

bcsr_dot_general(lhs, rhs, *, dimension_numbers)

一个一般的收缩操作。

bcsr_extract(indices, indptr, mat)

从给定 BCSR(索引、indptr)的密集矩阵中提取值。

bcsr_fromdense(mat, *[, nse, n_batch, ...])

从密集矩阵创建 BCSR 格式的稀疏矩阵。

bcsr_todense(mat)

将批处理稀疏矩阵转换为密集矩阵。

其他稀疏数据结构#

其他稀疏数据结构包括 COOCSRCSC。这些是简单稀疏结构的参考实现,实现了一些核心操作。它们的操作通常与自动微分转换(如 jax.grad())兼容,但不与批处理转换(如 jax.vmap())兼容。

COO(args, *, shape[, rows_sorted, cols_sorted])

JAX 中实现的实验性 COO 矩阵。

CSC(args, *, shape)

JAX 中实现的实验性 CSC 矩阵;API 可能会更改。

CSR(args, *, shape)

JAX 中实现的实验性 CSR 矩阵。

coo_fromdense(mat, *[, nse, index_dtype])

从密集矩阵创建 COO 格式的稀疏矩阵。

coo_matmat(mat, B, *[, transpose])

COO 稀疏矩阵和密集矩阵的乘积。

coo_matvec(mat, v[, transpose])

COO 稀疏矩阵和密集向量的乘积。

coo_todense(mat)

将 COO 格式的稀疏矩阵转换为密集矩阵。

csr_fromdense(mat, *[, nse, index_dtype])

从密集矩阵创建 CSR 格式的稀疏矩阵。

csr_matmat(mat, B, *[, transpose])

CSR 稀疏矩阵和密集矩阵的乘积。

csr_matvec(mat, v[, transpose])

CSR 稀疏矩阵和密集向量的乘积。

csr_todense(mat)

将 CSR 格式的稀疏矩阵转换为密集矩阵。

jax.experimental.sparse.linalg#

稀疏线性代数例程。

spsolve(data, indices, indptr, b[, tol, reorder])

使用 QR 分解的稀疏直接求解器。

lobpcg_standard(A, X[, m, tol])

使用 LOBPCG 例程计算前 k 个标准特征值。