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 2 维块。BSC 格式的稀疏矩阵乘法运算通常比 COO 格式的稀疏张量更快。请务必查看 有关索引数据类型的注意事项。

注意

如果未指定 device 参数，则给定 values 和索引张量(s) 的设备必须匹配。但是，如果指定了该参数，则输入张量将转换为给定的设备，并由此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, ncolblocks + 1)。每个 batch 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 values 和 row_indices 中的索引。张量中每个连续的数字减去其前面的数字，表示给定列中的元素数量。

• row_indices (array_like) – values 中每个块的行块坐标。(B+1)维张量，与 values 具有相同长度。

• 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 是稠密维度数量。

• size (list, tuple, torch.Size, 可选) – 稀疏张量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize) 如果未提供，大小将被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, 可选) – 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, 可选) – 返回张量所需的设备。默认值：如果为 None，则对默认张量类型使用当前设备（参见 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU；对于 CUDA 张量类型，则将是当前 CUDA 设备。

• pin_memory (bool, 可选) – 如果设置为 True，返回的张量将分配在锁页内存中。仅适用于 CPU 张量。默认值：False。

• requires_grad (bool, 可选) – 如果 autograd 应该记录返回张量上的操作。默认值：False。

• check_invariants (bool, 可选) – 是否检查稀疏张量不变量。默认值：与 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回的值一致，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)