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 BSC（块压缩稀疏列）格式的稀疏张量，在给定的 ccol_indices 和 row_indices 处具有指定的二维块。BSC 格式的稀疏矩阵乘法操作通常比 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 values 和索引张量的设备必须匹配。但是，如果指定了该参数，则输入张量将被转换为给定设备，并进而确定所构造稀疏张量的设备。

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编码值和行索引中的索引。张量中每个连续数字减去其之前的数字表示给定列中的元素数量。
row_indices (array_like) – 值中每个块的行块坐标。(B+1) 维张量，与值具有相同的长度。
values (array_list) – 张量的初始块。可以是列表、元组、NumPy ndarray 以及表示 (1 + 2 + K) 维张量的其他类型，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，大小将推断为足以容纳所有非零块的最小大小。

关键字参数

dtype (torch.dtype, optional) – 返回张量所需的数据类型。默认值：如果为 None，则从 values 推断数据类型。
device (torch.device, optional) – 返回张量所需的设备。默认值：如果为 None，则使用默认张量类型的当前设备（请参阅 torch.set_default_device()）。device 将是 CPU 张量类型的 CPU，CUDA 张量类型的当前 CUDA 设备。
pin_memory (bool, optional) – 如果设置，返回的张量将被分配到锁页内存中。仅适用于 CPU 张量。默认值：False。
requires_grad (bool, optional) – 如果 autograd 应该记录返回张量上的操作。默认值：False。
check_invariants (bool, optional) – 是否检查稀疏张量不变式。默认值：由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回，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