稀疏连接¶
本页尚未翻译。完整内容见英文版指南 Sparse Connectivity。
要点:
btorch.models.linear中的SparseConn、SparseConstrainedConn及sparse_backend=参数已移除,没有兼容层。- 数值稀疏数组 API 位于
btorch.sparse(Sparse、COO、CSR、CSC)。矩阵乘法遵循标准线性代数方向,转换从不转置、也不稠密化。 - 模型中使用
btorch.models.connection的SparseConnection与Synapse。 - 矩阵方向用两个字符串表示:
"pre_post"(形状(n_pre, n_post),行为源神经元,from_adjacency与FromSparse的默认值)和"post_pre"(形状(n_post, n_pre)的算子,SparseConnection(A)接受的形式)。对于方阵,方向写反不会报错,请用conn.find_edges(pre=i, post=j)核对一条已知的边。 conn.to_sparse()默认返回构建连接时所用的方向;conn.pre/conn.post给出每条边的源与目标;conn.set_edges_(slots, *, pre, post)的索引参数仅限关键字。- 传入
Synapse(weight=...)的Weight模块就是conn.weight;优化器请使用conn.parameters()或conn.weight.value。 torch.compile(mode="reduce-overhead")不得与重连(rewiring)或加载不同连接模式的检查点同时使用。
最小示例:
import scipy.sparse
import torch
from btorch.models.connection import SparseConnection, Synapse
# 行为源神经元、列为目标神经元的连接矩阵("pre_post",from_adjacency 的默认方向)
weights = scipy.sparse.random(100, 100, density=0.1, format="csr", random_state=0)
conn = SparseConnection.from_adjacency(weights, Synapse(dale=True))
current = conn(torch.rand(32, 100)) # [..., n_pre] -> [..., n_post]
迁移对照表、方向一览表、权重参数化(ConstrainedWeight)、受体与延迟、Projection 与连接规则、E/I 循环网络示例、网络批、torch.compile 与 CUDA graph、检查点以及结构可塑性的说明均见英文版指南。