IT 위키 - 사용자 기여 [ko]

틀:Infobox function

2025-11-04T20:02:45Z

파이러너:

<includeonly>
{| class="infobox" style="width:380px; font-size:90%; border:1px solid #aaa; background-color:#f9f9f9; float:right; margin:0 0 1em 1em;"
|+ style="font-weight:bold; font-size:110%; background:#ccccff; text-align:center;" | 함수 정보
|-
! style="width:90px; white-space:nowrap;" | 이름
| {{{name|}}}
|-
! style="width:90px; white-space:nowrap;" | 라이브러리
| {{{library|}}}
|-
! style="width:90px; white-space:nowrap;" | 도입 시기
| {{{introduced|}}}
|-
! style="width:90px; white-space:nowrap;" | 시그니처
| {{{signature|}}}
|-
! style="width:90px; white-space:nowrap;" | 설명
| {{{description|}}}
|}
</includeonly>
<noinclude>
이 틀은 프로그래밍 함수 정보를 요약 표시하는 인포박스입니다.

== 사용 예시 ==
<pre>
{{Infobox function
| name = topk
| library = PyTorch
| introduced = PyTorch 0.x
| signature = torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None)
| description = 주어진 차원을 따라 입력 텐서에서 상위 또는 하위 k개의 원소와 그 인덱스를 반환한다.
}}
</pre>
</noinclude>

틀:Infobox function

2025-11-04T19:58:37Z

파이러너:

<includeonly>
{| class="infobox" style="width:350px; font-size:90%; border:1px solid #aaa; background-color:#f9f9f9; float:right; margin:0 0 1em 1em;"
|+ style="font-weight:bold; font-size:110%; background:#ccccff; text-align:center;" | 함수 정보
|-
! 이름
| {{{name|}}}
|-
! 라이브러리
| {{{library|}}}
|-
! 도입 시기
| {{{introduced|}}}
|-
! 시그니처
| <div style="overflow-x:auto;"><code style="white-space:nowrap;">{{{signature|}}}</code></div>
|-
! 설명
| {{{description|}}}
|}
</includeonly>
<noinclude>
이 틀은 프로그래밍 함수 정보를 요약 표시하는 인포박스입니다.

== 사용 예시 ==
<pre>
{{Infobox function
| name = topk
| library = PyTorch
| introduced = PyTorch 0.x
| signature = torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None)
| description = 주어진 차원을 따라 입력 텐서에서 상위 또는 하위 k개의 원소와 그 인덱스를 반환한다.
}}
</pre>
</noinclude>

PyTorch topk

2025-11-04T19:57:39Z

파이러너: 새 문서: {{Infobox function | name = topk | library = PyTorch | introduced = PyTorch 0.x | signature = torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None) | description = 주어진 차원을 따라 입력 텐서에서 상위 또는 하위 k개의 원소와 그 인덱스를 반환한다. }} <code>topk</code>은 PyTorch에서 텐서의 주어진 차원(dim)에서 상위 k개의 값을 추출하고 그 인덱스를 함께 반환하는 함수이다.<ref>https://...

{{Infobox function
| name = topk
| library = PyTorch
| introduced = PyTorch 0.x
| signature = torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None)
| description = 주어진 차원을 따라 입력 텐서에서 상위 또는 하위 k개의 원소와 그 인덱스를 반환한다.
}}

<code>topk</code>은 PyTorch에서 텐서의 주어진 차원(dim)에서 상위 k개의 값을 추출하고 그 인덱스를 함께 반환하는 함수이다.<ref>https://pytorch.org/docs/stable/generated/torch.topk.html</ref>
==함수 개요==
*함수명: <code>torch.topk</code> 또는 텐서 객체에서 <code>Tensor.topk</code> 메서드
*기능: 입력 텐서에서 특정 차원을 따라 '''k개의 최댓값 또는 최솟값'''과 그 인덱스를 반환
*반환형: <code>namedtuple(values, indices)</code>
*기본 동작: <code>largest=True</code>이면 큰 값부터, <code>sorted=True</code>이면 정렬된 결과를 반환
==매개변수==
*'''input''' (Tensor): 입력 텐서
*'''k''' (int): 추출할 요소 개수
*'''dim''' (int, optional): 연산할 차원. 기본은 마지막 차원
*'''largest''' (bool, optional): <code>True</code>면 큰 값, <code>False</code>면 작은 값 반환
*'''sorted''' (bool, optional): <code>True</code>면 정렬된 값 반환
*'''out''' (tuple, optional): 출력 텐서 (<code>values, indices</code> 형식)
==반환==
*<code>values</code> (Tensor): 상위 k개의 값
*<code>indices</code> (Tensor): 원본 텐서에서 값의 위치 인덱스
==사용 예시==
<syntaxhighlight lang="python">
import torch
x = torch.tensor([1., 2., 3., 4., 5.])
values, indices = torch.topk(x, 3)
print(values) # tensor([5., 4., 3.])
print(indices) # tensor([4, 3, 2])
</syntaxhighlight>2차원 예시:<syntaxhighlight lang="python">
x = torch.tensor([[1., 3., 2.],
[4., 0., 5.]])
values, indices = torch.topk(x, 2, dim=1)
print(values)
# tensor([[3., 2.],
# [5., 4.]])
print(indices)
# tensor([[1, 2],
# [2, 0]])
</syntaxhighlight>
==활용==
*분류 문제의 '''top-k 정확도''' 계산 시 유용
*이상치 탐지 또는 작은 값 필터링 시 <code>largest=False</code> 설정
*다차원 전체에서 추출하려면 <code>flatten()</code> 후 적용 필요
<syntaxhighlight lang="python">
# 전체 텐서에서 상위 5개 값 추출
x = torch.randn(3, 4, 5)
flat = x.flatten()
vals, inds = torch.topk(flat, 5)
</syntaxhighlight>
==유의사항==
*동일한 값이 있을 경우 <code>indices</code> 순서는 보장되지 않음
*<code>sorted=False</code>로 설정하면 성능이 더 좋을 수 있음
*<code>k</code>가 해당 차원 크기보다 클 경우 오류 발생
==관련 함수==
*<code>torch.kthvalue</code>: 정확히 k번째 값
*<code>torch.sort</code>: 전체 정렬
*<code>torch.argsort</code>: 정렬된 인덱스 반환
==같이 보기==
*[[PyTorch 텐서(Tensor)]]
*[[PyTorch 모델 분류(Classification)]]
*[[Top‑k 정확도(Top‑K Accuracy)]]
*[[PyTorch 정렬(Sort) 연산]]
*[[torch.kthvalue]]
==참고 문헌==
*PyTorch 공식 문서: https://pytorch.org/docs/stable/generated/torch.topk.html
*GeeksforGeeks. “How to find the k‑th and the top 'k' elements of a tensor in PyTorch?” https://www.geeksforgeeks.org/how-to-find-the-k-th-and-the-top-k-elements-of-a-tensor-in-pytorch/
*PyTorch GitHub Issue #88184. https://github.com/pytorch/pytorch/issues/88184
==각주==
<references />
[[분류:프로그래밍]]
[[분류:파이썬]]
[[분류:인공지능]]

틀:Infobox function

2025-11-04T19:57:18Z

파이러너:

<includeonly>
{| class="infobox" style="width:350px; font-size:90%; border:1px solid #aaa; background-color:#f9f9f9; float:right; margin:0 0 1em 1em;"
|+ style="font-weight:bold; font-size:110%; background:#ccccff; text-align:center;" | 함수 정보
|-
! 이름
| {{{name|}}}
|-
! 라이브러리
| {{{library|}}}
|-
! 도입 시기
| {{{introduced|}}}
|-
! 시그니처
| <code>{{{signature|}}}</code>
|-
! 설명
| {{{description|}}}
|}
</includeonly>
<noinclude>
이 틀은 PyTorch 또는 기타 프로그래밍 함수의 정보를 요약해 보여주는 정보 상자입니다.

== 사용 예시 ==
<pre>
{{Infobox function
| name = topk
| library = PyTorch
| introduced = PyTorch 0.x
| signature = torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None)
| description = Returns the k largest (or smallest) elements of the input tensor along a given dimension, along with their indices.
}}
</pre>
</noinclude>

틀:Infobox function

2025-11-04T19:52:24Z

파이러너: 새 문서: <includeonly> {| class="infobox" style="width:350px; font-size:90%; border:1px solid #aaa; background-color:#f9f9f9; float:right; margin:0 0 1em 1em;" |+ style="font-weight:bold; font-size:110%; background:#ccccff; text-align:center;" | 함수 정보 |- ! 이름 | {{{name|}}} |- ! 라이브러리 | {{{library|}}} |- ! 도입 시기 | {{{introduced|}}} |- ! 시그니처 | <code><nowiki>{{{signature|}}}</nowiki></code> |- ! 설명 | {{{description|}}} |} </includeonly> <noinclude>...

<includeonly>
{| class="infobox" style="width:350px; font-size:90%; border:1px solid #aaa; background-color:#f9f9f9; float:right; margin:0 0 1em 1em;"
|+ style="font-weight:bold; font-size:110%; background:#ccccff; text-align:center;" | 함수 정보
|-
! 이름
| {{{name|}}}
|-
! 라이브러리
| {{{library|}}}
|-
! 도입 시기
| {{{introduced|}}}
|-
! 시그니처
| <code><nowiki>{{{signature|}}}</nowiki></code>
|-
! 설명
| {{{description|}}}
|}
</includeonly>
<noinclude>
이 틀은 PyTorch 또는 기타 프로그래밍 함수의 정보를 요약해 보여주는 정보 상자입니다.

== 사용 예시 ==
<pre>
{{Infobox function
| name = topk
| library = PyTorch
| introduced = PyTorch 0.x
| signature = torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None)
| description = Returns the k largest (or smallest) elements of the input tensor along a given dimension, along with their indices.
}}
</pre>
</noinclude>

단위 행렬

2025-10-03T21:26:05Z

파이러너: 새 문서: 단위 행렬(영어: identity matrix, 일명 단위원행렬)은 정사각 행렬 중 대각 성분이 모두 1이고 나머지 성분이 모두 0인 행렬이다. ==정의== 단위 행렬은 n×n 크기의 행렬로, 대각선 성분은 모두 1이고 그 외 성분은 모두 0으로 정의된다. ==기호와 표기== *보통 I 또는 Iₙ으로 표기하며, 문맥상 크기가 명확하면 단순히 I로 쓰기도 한다. <ref>“Identity matrix”, Encyclopedia of Mathemati...

단위 행렬(영어: identity matrix, 일명 단위원행렬)은 정사각 행렬 중 대각 성분이 모두 1이고 나머지 성분이 모두 0인 행렬이다.
==정의==
단위 행렬은 n×n 크기의 행렬로, 대각선 성분은 모두 1이고 그 외 성분은 모두 0으로 정의된다.
==기호와 표기==
*보통 I 또는 Iₙ으로 표기하며, 문맥상 크기가 명확하면 단순히 I로 쓰기도 한다. <ref>“Identity matrix”, Encyclopedia of Mathematics</ref>
*대각 성분만이 비제로인 대각 행렬(diagonal matrix)의 특수한 형태이다. <ref>Anton, H., & Rorres, C. (2010). *Elementary Linear Algebra*. Wiley.</ref>
==성질==
단위 행렬은 다음과 같은 성질을 가진다.

'''항등원 성질'''
*임의의 m×n 행렬 A에 대해 Iₘ·A = A, A·Iₙ = A 가 성립한다.
'''역원'''
*단위 행렬은 자기 자신의 역행렬이다. 즉 Iₙ⁻¹ = Iₙ 이다.
'''멱등성'''
*단위 행렬을 제곱해도 자기 자신이 된다. (Iₙ·Iₙ = Iₙ)
'''고유값과 랭크'''
*고유값은 모두 1이고, 랭크(rank)는 n이다.
'''행렬식과 트레이스'''
*행렬식(determinant)은 1, 궤적(trace)은 n이다.
==예시==
1×1 단위 행렬
{| class="wikitable"
|-
|1
|}2×2 단위 행렬
{| class="wikitable"
|-
|1||0
|-
|0||1
|}3×3 단위 행렬
{| class="wikitable"
|-
|1||0||0
|-
|0||1||0
|-
|0||0||1
|}
==응용 및 중요성==
단위 행렬은 선형대수학에서 기본적인 개념이며,
*선형 변환에서 항등 변환(identity transformation)을 나타낸다.
*역행렬의 정의와 성질을 기술할 때 기준점이 된다.
*행렬 대수, 군론 등에서 항등원 개념을 일반화한 형태로 사용된다.
==같이 보기==
*[[역행렬]]
*[[대각 행렬]]
*[[정사각 행렬]]
*[[항등원 (수학)]]
==참고 문헌==
*Anton, H., & Rorres, C. (2010). *Elementary Linear Algebra*. Wiley.
*Lang, S. (1987). *Linear Algebra*. Springer.
*Encyclopedia of Mathematics, "Identity matrix"
==각주==
<references />
[[분류:수학]]
[[분류:선형대수]]

PyTorch eye

2025-10-03T21:20:20Z

파이러너: 새 문서: torch.eye(영어: eye)은 주대각선이 1이고 나머지가 0인 2차원 텐서(단위 행렬)를 생성하는 PyTorch의 함수이다. ==개요== *<code>torch.eye</code>는 크기 <code>n×m</code>(<code>m</code> 미지정 시 <code>n×n</code>)의 단위 행렬을 반환한다. *반환 텐서는 기본적으로 밀집(dense) 레이아웃이며, 주대각선 원소는 1, 그 외는 0이다. ==시그니처== *<code>torch.eye(n, m=None, *, out=None, dtype=None, layout=torch.st...

torch.eye(영어: eye)은 주대각선이 1이고 나머지가 0인 2차원 텐서(단위 행렬)를 생성하는 PyTorch의 함수이다.
==개요==
*<code>torch.eye</code>는 크기 <code>n×m</code>(<code>m</code> 미지정 시 <code>n×n</code>)의 단위 행렬을 반환한다.
*반환 텐서는 기본적으로 밀집(dense) 레이아웃이며, 주대각선 원소는 1, 그 외는 0이다.
==시그니처==
*<code>torch.eye(n, m=None, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)</code>
==매개변수==
*<code>n</code>: 행(row) 수.
*<code>m</code>: 열(column) 수. 생략하면 <code>n</code>과 동일한 정사각 행렬을 생성.
*<code>dtype</code>: 반환 텐서의 자료형.
*<code>layout</code>: 기본값은 <code>torch.strided</code>(밀집). 희소 레이아웃은 지원되지 않는다.
*<code>device</code>: 생성할 장치(CPU/CUDA 등).
*<code>requires_grad</code>: 자동미분 기록 여부.
==사용 예시==
<syntaxhighlight lang="python">
import torch

# 3×3 단위 행렬 (float32, CPU)
I = torch.eye(3)
# 4×2 '직사각' 단위 행렬 (대각선 길이는 min(4,2)=2)
R = torch.eye(4, 2)

# dtype / device 지정
I64 = torch.eye(5, dtype=torch.int64, device='cpu')

print(I)
print(R)
</syntaxhighlight>
==배치 단위 행렬 생성==
<syntaxhighlight lang="python">
import torch

n = 4
batch = 3

# 방법 1) diag_embed로 배치 단위 행렬 만들기
ones = torch.ones(batch, n) # 각 배치마다 길이 n의 1 벡터
I_batched = torch.diag_embed(ones) # (batch, n, n)

# 방법 2) eye를 확장 (메모리 관점 주의)
I_batched2 = torch.eye(n).expand(batch, n, n)
</syntaxhighlight>
==희소(sparse)와의 관계==
*<code>torch.eye</code>는 밀집 텐서를 생성하며, <code>layout</code>에 희소를 지정하는 것은 공식적으로 지원되지 않는다.
*희소 단위 행렬이 필요하면 COO 인덱스와 값을 사용해 직접 생성해야 한다.
<syntaxhighlight lang="python">
import torch

def sparse_eye(n, device=None, dtype=None):
idx = torch.arange(n, device=device)
indices = torch.stack([idx, idx]) # 2×n
values = torch.ones(n, device=device, dtype=dtype)
return torch.sparse_coo_tensor(indices, values, (n, n))

S = sparse_eye(5)
</syntaxhighlight>
==관련 함수==
*<code>torch.diagonal</code>: 텐서의 대각 성분을 뷰(view)로 반환.
*<code>torch.diag_embed</code>: 벡터(또는 배치 벡터)를 대각 성분으로 갖는 행렬(또는 배치 행렬) 생성.
*<code>torch.diagonal_scatter</code>: 주어진 입력의 대각 위치에 소스 값을 삽입.
==주의 사항==
*<code>torch.eye</code>는 2차원 텐서를 반환한다(스칼라/벡터/고차 텐서 아님).
*희소 레이아웃(<code>torch.sparse_coo</code> 등)로 직접 생성하려면 <code>torch.sparse_coo_tensor</code>를 사용한다.
==같이 보기==
*[[PyTorch]]
*[[희소 행렬]]
*[[torch.diagonal]]
*[[torch.diag_embed]]
*[[희소 텐서]]
==참고 문헌==
*[https://pytorch.org/docs/stable/generated/torch.eye.html torch.eye — PyTorch 문서]
*[https://github.com/pytorch/pytorch/issues/46705 torch.eye not supported for sparse layout — GitHub 이슈 #46705]
*[https://pytorch.org/docs/stable/generated/torch.diagonal.html torch.diagonal — PyTorch 문서]
*[https://pytorch.org/docs/stable/generated/torch.diag_embed.html torch.diag_embed — PyTorch 문서]
*[https://pytorch.org/docs/stable/generated/torch.diagonal_scatter.html torch.diagonal_scatter — PyTorch 문서]
==각주==
<references />
[[분류:프로그래밍]]
[[분류:파이썬]]
[[분류:딥 러닝]]

PyTorch sparse

2025-10-03T21:14:14Z

파이러너: 새 문서: '''torch.sparse'''은 PyTorch에서 희소 텐서(sparse tensor)를 다루기 위한 기능 집합이다. ==개요== 희소 텐서는 대부분의 원소가 0인 고차원 배열을 효율적으로 표현하기 위한 자료구조이다. PyTorch에서는 여러 희소 표현(layout) 방식을 지원하며, <code>torch.sparse</code> 모듈 및 관련 함수들이 이 기능을 제공한다. ==표현 방식 및 레이아웃== PyTorch는 여러 희소 레이아웃을 지원한다....

'''torch.sparse'''은 PyTorch에서 희소 텐서(sparse tensor)를 다루기 위한 기능 집합이다.
==개요==
희소 텐서는 대부분의 원소가 0인 고차원 배열을 효율적으로 표현하기 위한 자료구조이다. PyTorch에서는 여러 희소 표현(layout) 방식을 지원하며, <code>torch.sparse</code> 모듈 및 관련 함수들이 이 기능을 제공한다.
==표현 방식 및 레이아웃==
PyTorch는 여러 희소 레이아웃을 지원한다. 주요 레이아웃과 특징은 다음과 같다.
===COO (좌표형, Coordinate)===
*<code>torch.sparse_coo_tensor(indices, values, size)</code> 함수를 통해 생성할 수 있다.
*<code>indices</code>는 크기 (ndim × nnz)의 정수 텐서로, 각 열이 하나의 비제로(nonzero) 원소의 좌표를 나타낸다.
*<code>values</code>는 크기 (nnz, *dense_dims)의 텐서로 비제로 원소 값을 저장한다.
*희소 텐서는 일반적으로 비정합(uncoalesced) 상태일 수 있으며, <code>.coalesce()</code> 메서드를 통해 동일한 좌표들이 합쳐진 상태로 만들 수 있다.
*텐서의 <code>sparse_dim()</code>과 <code>dense_dim()</code> 메서드로 희소 차원과 밀집 차원을 구분할 수 있다.
===CSR / CSC (압축 행 / 압축 열)===
*<code>torch.sparse_csr_tensor(crow_indices, col_indices, values, size)</code>
*<code>torch.sparse_csc_tensor(ccol_indices, row_indices, values, size)</code>
*CSR 방식은 행 인덱스를 압축 형태(<code>crow_indices</code>)로 저장하고, 각 행 내의 열 인덱스(<code>col_indices</code>)와 값 배열을 저장하는 방식이다.
*CSC는 열 중심의 압축 표현 방식이다.
*CSR/CSC 방식은 특히 행 또는 열 기반 연산 (예: 행 단위 순회)에 효율적이다.
===BSR / BSC (블록 압축형)===
*<code>torch.sparse_bsr_tensor(crow_indices, col_indices, values, size)</code>
*<code>torch.sparse_bsc_tensor(ccol_indices, row_indices, values, size)</code>
*이 방식은 텐서를 일정 블록(block) 단위로 나누어 블록 단위의 압축 표현을 허용한다.
*대형 희소 행렬을 블록 단위로 처리할 때 유리하다.
===일반 압축 희소 텐서 생성 함수===
*<code>torch.sparse_compressed_tensor(...)</code> 함수를 통해 <code>layout</code> 인자를 지정하는 방식으로 CSR, CSC, BSR, BSC 등을 생성할 수 있다.
==주요 메서드 및 연산==
*<code>.to_dense()</code> : 희소 텐서를 밀집(dense) 텐서로 변환
*<code>.indices()</code>, <code>.values()</code> : COO 방식의 희소 텐서에서 좌표 인덱스와 값 반환
*<code>.coalesce()</code> : 중복 좌표의 항목을 병합
*<code>torch.sparse.mm(mat1, mat2)</code> : 희소 행렬과 밀집 또는 희소 행렬 간의 곱셈 연산. COO 또는 CSR 포맷 지원
*<code>torch.sparse.addmm(mat, mat1, mat2, *, beta, alpha)</code> : <code>mat + alpha * (mat1 @ mat2)</code>를 계산하며, <code>mat1</code>이 희소인 경우 backward를 지원
*<code>is_sparse</code>, <code>is_sparse_csr</code> 등 속성 메서드로 현재 텐서가 어떠한 희소 레이아웃을 사용하는지 판단 가능
==제약 및 주의점==
*모든 연산이 모든 희소 레이아웃에 대해 지원되는 것은 아니다. 예를 들어, CSR 방식에 대한 미분(gradient) 지원은 제한적일 수 있다.
*<code>torch.sparse_csr_tensor()</code>로 생성된 텐서는 역전파 시 gradient가 차단(stopped)되는 문제가 보고된 바 있다. <ref>[https://github.com/pytorch/pytorch/issues/98929 GitHub 이슈: “torch.sparse_csr_tensor stops gradients” (#98929)]</ref>
*희소 방식은 메모리 절약과 연산 효율을 제공하지만, 빈번한 인덱스 접근, 슬라이싱, 변경 등의 작업에는 오버헤드가 클 수 있다.
*일부 고성능 희소 연산을 위해 외부 라이브러리 (예: <code>torch_sparse</code> 패키지)가 사용된다. 이 패키지는 sparse-dense 곱, sparse-sparse 곱, 전치(transpose) 등의 최적화된 연산을 제공한다.
==활용 예시==
<syntaxhighlight lang="python">
import torch

# COO 희소 텐서 생성 예
i = torch.tensor([[0, 1, 1], [2, 0, 2]]) # 좌표 인덱스 (2×3)
v = torch.tensor([3, 4, 5], dtype=torch.float32) # 값
s = torch.sparse_coo_tensor(i, v, [2, 3])
dense = s.to_dense() # 밀집 텐서로 변환

# CSR 희소 텐서 생성 예
crow = torch.tensor([0, 2, 3])
cols = torch.tensor([0, 2, 1])
vals = torch.tensor([3, 4, 5], dtype=torch.float32)
s_csr = torch.sparse_csr_tensor(crow, cols, vals, size=(2, 3))
out = s_csr.matmul(torch.randn(3, 4)) # 희소 × 밀집 연산
</syntaxhighlight>
==관련 기술 및 라이브러리==
*<code>torch_sparse</code> 패키지는 PyTorch의 희소 텐서 연산을 확장한 외부 라이브러리로, 자동 미분(sparse autograd) 및 더 많은 커널을 제공한다. <ref>torch-sparse PyPI / GitHub</ref>
*PyTorch 내부의 희소 텐서 지원은 계속 개발 중이며, 차후 더 많은 레이아웃과 연산이 확대될 가능성이 있다.
==같이 보기==
*[[PyTorch]]
*[[희소 행렬]]
*[[희소 기법 (딥러닝)]]
*[[torch_sparse]]
*[[Autograd]]
==참고 문헌==
*[https://pytorch.org/docs/stable/sparse.html PyTorch 공식 문서, “torch.sparse”]
==각주==
<references />
[[분류:프로그래밍]]
[[분류:파이썬]]
[[분류:딥 러닝]]