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)