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（压缩稀疏列）格式的稀疏张量，其中在给定的 ccol_indices 和 row_indices 处具有指定的值。CSC 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 values 和索引张量必须具有相同的设备。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。此张量根据给定列的起始位置编码值和行索引中的索引。张量中每个连续的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) – 值中每个元素的行坐标。(B+1) 维张量，与值具有相同的长度。

• values (array_list) – 张量的初始值。可以是列表、元组、NumPy ndarray、标量以及其他表示 (1+K) 维张量的类型，其中 K 是稠密维度数。

• size (list, tuple, torch.Size, optional) – 稀疏张量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小将推断为足以容纳所有非零元素的最小大小。

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（参见 torch.set_default_device()）。device 将是 CPU 张量类型的 CPU，以及 CUDA 张量类型的当前 CUDA 设备。

• pin_memory (bool, optional) – 如果设置为 True，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) – 如果自动求导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性。默认值：由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回，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)