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) → Tensor#

构造一个具有指定值的、在给定 compressed_indices 和 plain_indices 的压缩稀疏格式（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说明。

注意

如果未指定 device 参数，则给定的 values 和索引张量必须在同一设备上。但如果指定了该参数，输入张量将被转换为指定设备，进而确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。张量中的每个连续数字减去其前面的数字，表示给定压缩维度中元素或块的数量。
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，长度与 values 相同。
values (array_list) – 张量的初始值。可以是列表、元组、NumPy ndarray、标量以及表示 (1+K) 维（对于 CSR 和 CSC 布局）或 (1+2+K) 维（对于 BSR 和 BSC 布局）张量的其他类型，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 * 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，则推断大小为足够容纳所有非零元素或块的最小尺寸。

关键字参数

dtype (torch.dtype, 可选) – 返回张量的期望数据类型。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, 可选) – 返回张量的期望设备。默认值：如果为 None，则使用默认张量类型的当前设备（参见 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU；对于 CUDA 张量类型，将是当前 CUDA 设备。
pin_memory (bool, 可选) – 如果设置，返回的张量将在固定内存中分配。仅适用于 CPU 张量。默认值：False。
requires_grad (bool, 可选) – 是否应记录返回张量上的自动微分操作。默认值：False。
check_invariants (bool, 可选) – 是否检查稀疏张量不变量。默认值：由 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