数学的力量——稀疏矩阵，所有科学都是矩阵乘法

稀疏矩阵

科学上有句谚语：归根结底，一切都归结为矩阵乘法。不管你是在物理或工程中解偏微分方程，还是在用经典模型或深度神经网络进行机器学习，最后，在数值上，都是矩阵和向量的相乘，按一定顺序重复。

这些矩阵通常非常大，比如1000000 x 1000000。在这种情况下，如果矩阵没有特定的结构，那么你就必须在内存中存储大量的值，而且运算也非常耗时。这叫做稠密矩阵。然而，在许多科学应用中，矩阵确实有一定的结构。

通常，矩阵的大部分值都是零，这样的矩阵就叫做稀疏矩阵。例如，如果1000000 x 1000000矩阵是对角线的，那么只需要存储10^6个值而不是10^12个值。如果用10^6个维向量乘以它，只需要做10^6次乘法而不是10^12次乘法和加法。

差别是巨大的！即使矩阵不是对角的，只要大多数值是零，内存和速度优势是巨大的，因为只需保存相对较少的非零值，而与向量的乘法只需要考虑那些非零值。

如何使用稀疏矩阵

Python的SciPy包有一个专门用于稀疏矩阵实现的子包。根据你的稀疏矩阵的结构和你想用稀疏矩阵做什么，包中有针对给定任务优化的不同表示。只要使用任何稀疏矩阵类，通常可以获得99%的速度和内存优势。

首先，考虑一个大的密集矩阵。我们用随机值填充它，都在-0.5和0.5之间：

然后使用numpy的matmul函数将⋅相乘

这在我的电脑上需要7.07秒。现在让我们以同样的方式使用一个对角矩阵，并将其存储为一个普通矩阵：

如果你输出A_sparse，它会说：

所以它实际上是一个10000x10000的矩阵，但是稀疏并且以一种特殊的对角线格式存储。我们再做一次同样的乘法：

这在我的电脑上只花了0.003秒，比使用密集矩阵快了2000多倍。