torch.sparse_compressed_tensor#

torch.sparse_compressed_tensor(compressed_indices, plain_indices, values, size=None, *, dtype=None, layout=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) → 张量#

使用指定的 compressed_indices 和 plain_indices 来构造一个具有压缩稀疏格式（CSR、CSC、BSR 或 BSC）的稀疏张量。压缩稀疏格式的稀疏矩阵乘法操作通常比 COO 格式的稀疏张量更快。请务必查看关于索引数据类型的注意事项。

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:

compressed_indices (array_like) – (B+1) 维数组，大小为 (*batchsize, compressed_dim_size + 1)。每个批次的最后一个元素是非零元素或块的数量。此张量根据给定压缩维度（行或列）的起始位置，编码 values 和 plain_indices 中的索引。张量中每两个连续的数字相减，表示给定压缩维度中元素的数量或块的数量。
plain_indices (array_like) – values 中每个元素或块的普通维度（列或行）坐标。(B+1) 维张量，与 values 的长度相同。
values (array_list) – 张量的初始值。可以是列表、元组、NumPy ndarray、标量和其他类型。它表示一个 (1+K) 维（对于 CSR 和 CSC 布局）或 (1+2+K) 维张量（对于 BSR 和 BSC 布局），其中 K 是密集维度的数量。
size (list, tuple, torch.Size, 可选) – 稀疏张量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize)，其中对于 CSR 和 CSC 格式，blocksize[0] == blocksize[1] == 1。如果未提供，则大小将推断为足够容纳所有非零元素或块的最小大小。

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。
layout (torch.layout, 必需) – 返回张量的期望布局：torch.sparse_csr, torch.sparse_csc, torch.sparse_bsr, 或 torch.sparse_bsc。
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

>>> compressed_indices = [0, 2, 4]
>>> plain_indices = [0, 1, 0, 1]
>>> values = [1, 2, 3, 4]
>>> torch.sparse_compressed_tensor(torch.tensor(compressed_indices, dtype=torch.int64),
...                                torch.tensor(plain_indices, dtype=torch.int64),
...                                torch.tensor(values), dtype=torch.double, layout=torch.sparse_csr)
tensor(crow_indices=tensor([0, 2, 4]),
       col_indices=tensor([0, 1, 0, 1]),
       values=tensor([1., 2., 3., 4.]), size=(2, 2), nnz=4,
       dtype=torch.float64, layout=torch.sparse_csr)

torch.sparse_compressed_tensor#

文档

教程

资源