torch.sparse_coo_tensor#

torch.sparse_coo_tensor(indices, values, size=None, *, dtype=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None, is_coalesced=None) → Tensor#

构造一个具有指定 indices 中给定值的 COO(rdinate) 格式稀疏张量。

注意

当 is_coalesced 未指定或为 None 时，此函数将返回一个未合并的张量。

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

indices (array_like) – 张量的初始数据。可以是列表、元组、NumPy ndarray、标量和其他类型。将被内部强制转换为 torch.LongTensor。indices 是矩阵中非零值的坐标，因此应为二维的，其中第一维是张量的维度数，第二维是非零值的数量。
values (array_like) – 张量的初始值。可以是列表、元组、NumPy ndarray、标量和其他类型。
size (list, tuple, or torch.Size, optional) – 稀疏张量的大小。如果未提供，则大小将推断为足以容纳所有非零元素的最小尺寸。

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。
is_coalesced (bool, optional) – 当设置为 ``True`` 时，调用者负责提供与合并后的张量对应的张量索引。如果 check_invariants 标志为 False，则不会引发错误，即使前提条件不满足，并且这将导致结果静默错误。要强制合并，请使用结果张量上的 coalesce() 方法。默认值：None：除了微小情况（例如，nnz < 2）外，返回的张量的 is_coalesced 会设置为 False`。

示例

>>> i = torch.tensor([[0, 1, 1],
...                   [2, 0, 2]])
>>> v = torch.tensor([3, 4, 5], dtype=torch.float32)
>>> torch.sparse_coo_tensor(i, v, [2, 4])
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3., 4., 5.]),
       size=(2, 4), nnz=3, layout=torch.sparse_coo)

>>> torch.sparse_coo_tensor(i, v)  # Shape inference
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3., 4., 5.]),
       size=(2, 3), nnz=3, layout=torch.sparse_coo)

>>> torch.sparse_coo_tensor(i, v, [2, 4],
...                         dtype=torch.float64,
...                         device=torch.device('cuda:0'))
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3., 4., 5.]),
       device='cuda:0', size=(2, 4), nnz=3, dtype=torch.float64,
       layout=torch.sparse_coo)

# Create an empty sparse tensor with the following invariants:
#   1. sparse_dim + dense_dim = len(SparseTensor.shape)
#   2. SparseTensor._indices().shape = (sparse_dim, nnz)
#   3. SparseTensor._values().shape = (nnz, SparseTensor.shape[sparse_dim:])
#
# For instance, to create an empty sparse tensor with nnz = 0, dense_dim = 0 and
# sparse_dim = 1 (hence indices is a 2D tensor of shape = (1, 0))
>>> S = torch.sparse_coo_tensor(torch.empty([1, 0]), [], [1])
tensor(indices=tensor([], size=(1, 0)),
       values=tensor([], size=(0,)),
       size=(1,), nnz=0, layout=torch.sparse_coo)

# and to create an empty sparse tensor with nnz = 0, dense_dim = 1 and
# sparse_dim = 1
>>> S = torch.sparse_coo_tensor(torch.empty([1, 0]), torch.empty([0, 2]), [1, 2])
tensor(indices=tensor([], size=(1, 0)),
       values=tensor([], size=(0, 2)),
       size=(1, 2), nnz=0, layout=torch.sparse_coo)

torch.sparse_coo_tensor#

文档

教程

资源