torch.sparse_csc_tensor#

torch.sparse_csc_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 CSC (Compressed Sparse Column) 格式的稀疏张量，使用指定的值、ccol_indices 和 row_indices。CSC 格式的稀疏矩阵乘法通常比 COO 格式的稀疏张量更快。请务必查看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) – (B+1) 维数组，大小为 (*batchsize, ncols + 1)。每个批次的最后一个元素是非零元素的数量。该张量编码了 values 和 row_indices 中给定列的起始位置。张量中连续的两个数字之差表示给定列中的元素数量。
row_indices (array_like) – values 中每个元素的行坐标。(B+1) 维张量，长度与 values 相同。
values (array_list) – 张量的初始值。可以是列表、元组、NumPy ndarray、标量和其他表示 (1+K) 维张量的类型，其中 K 是密集维度的数量。
size (list, tuple, torch.Size, optional) – 稀疏张量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小将推断为能够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。

示例

>>> ccol_indices = [0, 2, 4]
>>> row_indices = [0, 1, 0, 1]
>>> values = [1, 2, 3, 4]
>>> torch.sparse_csc_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, 2, 4]),
       row_indices=tensor([0, 1, 0, 1]),
       values=tensor([1., 2., 3., 4.]), size=(2, 2), nnz=4,
       dtype=torch.float64, layout=torch.sparse_csc)

torch.sparse_csc_tensor#

文档

教程

资源