torch.sparse_bsc_tensor#

torch.sparse_bsc_tensor(ccol_indices, row_indices, values, size=None, *, dtype=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) → Tensor#

构造一个在给定 ccol_indices 和 row_indices 处具有指定二维块的 BSC (Block Compressed Sparse Column)) 格式稀疏张量。BSC 格式的稀疏矩阵乘法运算通常比 COO 格式的稀疏张量更快。请参阅关于索引数据类型的说明。

注意

如果未指定 device 参数，则给定的 values 和 indices 张量必须在同一设备上。然而，如果指定了该参数，输入张量将转换为给定的设备，进而决定构造的稀疏张量的设备。

参数

ccol_indices (array_like) – 大小为 (*batchsize, ncolblocks + 1) 的 (B+1) 维数组。每个批次的最后一个元素是非零元素的数量。此张量根据给定列的起始位置，对 values 和 row_indices 中的索引进行编码。张量中相邻两个数字的差值表示给定列中的元素数量。
row_indices (array_like) – values 中每个块的行块坐标。(B+1) 维张量，其长度与 values 相同。
values (array_list) – 张量的初始块。可以是列表、元组、NumPy ndarray 以及其他表示 (1 + 2 + K) 维张量的类型，其中 K 是密集维度数。
size (list, tuple, torch.Size, optional) – 稀疏张量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize) 如果未提供，则大小将推断为能够容纳所有非零块的最小尺寸。

关键字参数

dtype (torch.dtype, optional) – 返回张量的所需数据类型。默认值：如果为 None，则从 values 推断数据类型。
device (torch.device, optional) – 返回张量的所需设备。默认值：如果为 None，则使用当前默认张量类型的设备（请参阅 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU，对于 CUDA 张量类型，它将是当前 CUDA 设备。
pin_memory (bool, optional) – 如果设置为 True，则返回的张量将被分配到固定内存中。仅适用于 CPU 张量。默认值：False。
requires_grad (bool, optional) – 如果 autograd 应记录在返回的张量上的操作。默认值：False。
check_invariants (bool, optional) – 是否检查稀疏张量的不变量。默认值：根据 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回的值，初始为 False。

示例

>>> ccol_indices = [0, 1, 2]
>>> row_indices = [0, 1]
>>> values = [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]
>>> torch.sparse_bsc_tensor(torch.tensor(ccol_indices, dtype=torch.int64),
...                         torch.tensor(row_indices, dtype=torch.int64),
...                         torch.tensor(values), dtype=torch.double)
tensor(ccol_indices=tensor([0, 1, 2]),
       row_indices=tensor([0, 1]),
       values=tensor([[[1., 2.],
                       [3., 4.]],
                      [[5., 6.],
                       [7., 8.]]]), size=(2, 2), nnz=2, dtype=torch.float64,
       layout=torch.sparse_bsc)

torch.sparse_bsc_tensor#

文档

教程

资源