租用机器，按自己需要的环境选择一个环境，我这里选择的是Pytorch1.10。租用成功后点击租用页面的Jupyterlab链接。Jupyterlab里新建一个Terminal用来安装环境，先检查Pytorch、CUDA版本，如下图可以看到我的环境Pytorch1.10.0，CUDA11.3。接下来安装torch-scattertorch-sparsetorch-clustertorch-spline-convtorch-geometric这些包。PyG官方提供的安装方法（部分torch版本下安装会出错）：pipinstalltorch-scattertorch-sparsetorch-clus

稀疏矩阵几乎产生于所有的大型科学工程计算领域，记录样本特征值的稠密矩阵中很多记录值都是0，由于0不携带信息，因此耗费空间存储0元素是很浪费资源的行为。而且很多计算只对非零元素进行操作，将特征矩阵构建成稀疏矩阵，可以很容易的索引到非零元素，所以基于稀疏矩阵的数据运算，可是实现更低的资源占用和更快的计算速度。在单细胞领域，稀疏矩阵对于处理scRNA-seq表达谱数据是非常必要的，构建分析对象的时候它们消耗更低的内存。本文重点介绍R语言稀疏矩阵对象格式，稀疏矩阵的重构，稀疏矩阵与稠密矩阵的相互转换。三种类型的稀疏矩阵对象结构首先，稀疏矩阵的一般格式主要有三种：dgTMatrix:::创建未压缩的三元

稀疏矩阵几乎产生于所有的大型科学工程计算领域，记录样本特征值的稠密矩阵中很多记录值都是0，由于0不携带信息，因此耗费空间存储0元素是很浪费资源的行为。而且很多计算只对非零元素进行操作，将特征矩阵构建成稀疏矩阵，可以很容易的索引到非零元素，所以基于稀疏矩阵的数据运算，可是实现更低的资源占用和更快的计算速度。在单细胞领域，稀疏矩阵对于处理scRNA-seq表达谱数据是非常必要的，构建分析对象的时候它们消耗更低的内存。本文重点介绍R语言稀疏矩阵对象格式，稀疏矩阵的重构，稀疏矩阵与稠密矩阵的相互转换。三种类型的稀疏矩阵对象结构首先，稀疏矩阵的一般格式主要有三种：dgTMatrix:::创建未压缩的三元