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

使用给定的 ccol_indices 和 row_indices 构造一个在指定位置的 BSC（块压缩稀疏列）格式的稀疏张量。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。请查看 有关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(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，并依次确定所构造的稀疏张量的设备。

参数

• ccol_indices (类数组) – 大小为 (*batchsize, ncolblocks + 1) 的 (B+1) 维数组。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 values 和 row_indices 中的索引。张量中每个连续数字减去之前的数字表示给定列中的元素数量。

• row_indices (类数组) – values 中每个块的行块坐标。(B+1) 维张量，其长度与 values 相同。

• values (类列表) – 张量的初始块。可以是列表、元组、NumPy ndarray 和其他表示 (1 + 2 + K) 维张量的类型，其中 K 是密集维度的数量。

• size (列表、元组、torch.Size，可选) – 稀疏张量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize) 如果未提供，则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) – 返回张量的所需数据类型。默认值：如果为 None，则从 values 推断数据类型。

• device (torch.device，可选) – 返回张量的所需设备。默认值：如果为 None，则使用默认张量类型的当前设备（请参阅 torch.set_default_device()）。对于 CPU 张量类型，device 将为 CPU，对于 CUDA 张量类型，将为当前 CUDA 设备。

• pin_memory (布尔值、可选) – 如果设置，则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 (布尔值、可选) – 如果自动梯度应该记录返回张量上的操作。默认值：False。

• check_invariants (布尔值、可选) – 如果检查稀疏张量的不变性。默认值：由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回，最初为 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)