torch.sparse.spdiags¶
- torch.sparse.spdiags(diagonals, offsets, shape, layout=None) Tensor ¶
通过将
diagonals
的行的值放置到输出的指定对角线上,创建一个稀疏的 2D 张量offsets
张量控制设置哪些对角线。如果
offsets[i]
= 0,则为主对角线如果
offsets[i]
< 0,则在主对角线下方如果
offsets[i]
> 0,则在主对角线上方
diagonals
中的行数必须与offsets
的长度匹配,并且偏移量不能重复。- 参数
- 关键字参数
layout (
torch.layout
,可选) – 返回张量的所需布局。支持torch.sparse_coo
、torch.sparse_csc
和torch.sparse_csr
。默认值:torch.sparse_coo
示例
设置矩阵的主对角线和前两个下对角线
>>> diags = torch.arange(9).reshape(3, 3) >>> diags tensor([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) >>> s = torch.sparse.spdiags(diags, torch.tensor([0, -1, -2]), (3, 3)) >>> s tensor(indices=tensor([[0, 1, 2, 1, 2, 2], [0, 1, 2, 0, 1, 0]]), values=tensor([0, 1, 2, 3, 4, 6]), size=(3, 3), nnz=6, layout=torch.sparse_coo) >>> s.to_dense() tensor([[0, 0, 0], [3, 1, 0], [6, 4, 2]])
更改输出布局
>>> diags = torch.arange(9).reshape(3, 3) >>> diags tensor([[0, 1, 2],[3, 4, 5], [6, 7, 8]) >>> s = torch.sparse.spdiags(diags, torch.tensor([0, -1, -2]), (3, 3), layout=torch.sparse_csr) >>> s tensor(crow_indices=tensor([0, 1, 3, 6]), col_indices=tensor([0, 0, 1, 0, 1, 2]), values=tensor([0, 3, 1, 6, 4, 2]), size=(3, 3), nnz=6, layout=torch.sparse_csr) >>> s.to_dense() tensor([[0, 0, 0], [3, 1, 0], [6, 4, 2]])
设置大型输出的部分对角线
>>> diags = torch.tensor([[1, 2], [3, 4]]) >>> offsets = torch.tensor([0, -1]) >>> torch.sparse.spdiags(diags, offsets, (5, 5)).to_dense() tensor([[1, 0, 0, 0, 0], [3, 2, 0, 0, 0], [0, 4, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])
注意
在沿给定对角线设置值时,对角线中的索引和
diagonals
的行中的索引被视为输出中的列索引。这会导致在设置具有正偏移量 k 的对角线时,该对角线上的第一个值将是diagonals
的行的位置 k 中的值指定正偏移量
>>> diags = torch.tensor([[1, 2, 3], [1, 2, 3], [1, 2, 3]]) >>> torch.sparse.spdiags(diags, torch.tensor([0, 1, 2]), (5, 5)).to_dense() tensor([[1, 2, 3, 0, 0], [0, 2, 3, 0, 0], [0, 0, 3, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])