使用 GPU 张量核加速稀疏矩阵-矩阵乘法 在这个存储库中，我们提供了加速稀疏矩阵-矩阵乘法 (SpGEMM) 实现的源代码

子流形稀疏卷积网络 这是用于训练子流形稀疏卷积网络的PyTorch库。 空间稀疏性 该库将引入PyTorch。 此外，它引入了子流形稀疏卷积，可用于构建计算有效的稀疏VGG / ResNet / DenseNet样式的网络。 通过常规的3x3卷积，活动（非零）站点的集合将Swift增长： 通过子流形稀疏卷积，活动位点的集合保持不变。 活动站点查看其活动邻居（绿色）；活动站点查看活动邻居。 非活动站点（红色）没有计算开销： 堆叠子流形稀疏卷积以构建VGG和ResNet类型的ConvNet，信息可以沿着活动点的线或表面流动。 断开连接的组件起初不会进行通信，尽管它们会由于跨步操作（池化或卷积）的影响而合并。 另外，在网络中添加ConvolutionWithStride2-SubmanifoldConvolution-DeconvolutionWithStride2路径可以使不相交的活动

1.1 欠定线性系统 设有一个矩阵 mn IR   （ mn  ），定义一个欠定线性系统方程组 bAx  。这个系统比等式有更多的未知，如果 b 不在矩阵 A 的列数范围之内， 它或许没有解，或许有无限多解。为了避免没有解的不规则性，我们以后应该设 A 是一个满秩矩阵，意味着它的列向量跨度了整个 n R 空间。 在工程学中，我们经常遇到用公式表示的问题，就像这个欠定线性方程组一 样。以图像处理为例，考虑图像放大问题，在这一个未知的图像却经历了模糊和 缩小的处理，结果是给出了一个低质量的缩小的图像 b。矩阵 A 代表了这个降级 的操作，我们的目的是从给定的 b 中修复原始图像 x。显然，会有很多图像 x 来 解释 b,在这些图像中肯定有一些比另一些看起来好一些。我们怎么来找到合适的 图像 x 呢？ 1.2 规则化 在上面的例子和假定有同样构想的许多其它问题中，我们希望得到一个唯一 的解，事实上它们很多都代表了同一个障碍。想要减少得到一个定义明确的解的 选择，是需要额外条件的。一个常见的方法就是规则化，优先考虑引进一个能求

CUDA实现稀疏大矩阵乘法

多输入多输出不连续正交频分复用（MIMO NC-OFDM）系统是认知无线电（CR）系统的常用体制，由于授权用户占用而导致的载波不连续情况下的信道估计是影响该系统性能的关键技术问题。提出一种基于压缩感知（CS）的MIMO NC-OFDM 系统的信道估计方法——稀疏自适应匹配追踪（SAMP）算法。SAMP 算法在重构过程中先对信号稀疏度进行初始估计，然后自适应调整步长逐步逼近信号，相较于其他贪婪算法，能够在稀疏度未知的情况下准确重建稀疏信号。仿真结果表明，SAMP算法提高了重构精度，在实际应用中易于实现。

各种像素的AR人脸数据库，28x20，15x12，33x30，120x65，126 people (over 4,000 color images). Different facial expressions, illumination conditions and occlusions. Two sessions per person (2 different days).

稀疏矩阵存储与运算的综合程序设计

L1-MAGIC is a collection of MATLAB routines for solving the convex optimization programs central to compressive sampling. The algorithms are based on standard interior-point methods, and are suitable for large-scale problems.

数据结构：第5章 数组和稀疏矩阵.ppt

matlab中存档算法代码L0动机的低秩稀疏子空间（LRSSC） 概述 在MATLAB中提出的GMC-LRSSC和L0-LRSSC的MATLAB实现。 GMC-LRSSC通过使用基于最小最大凹（GMC）罚函数的多元泛化的正则化来解决子空间聚类问题。 L0-LRSSC解决了Schatten-0和L0准规范的正则化目标。 为了运行建议的算法，提供了示例脚本和数据（run_dataset_name脚本）。 数据集 本文中使用的数据集可在“数据集”目录中找到。 数据集目录包括来自的扩展Yale B数据集，来自的USPS数据集，来自的MNIST数据集以及来自UCI机器学习存储库（）的ISOLET1数据集。 引用 在研究工作中使用代码时，请引用Maria Brbic和Ivica Kopriva撰写的“ℓ₀-动机低秩稀疏子空间聚类”。 @article{brbic2018, title={$\ell_0$-Motivated Low-Rank Sparse Subspace Clustering}, author={Brbi\'c, Maria and Kopriva, Ivica}, journa