torch.sparse_bsr_tensor¶
- torch.sparse_bsr_tensor(crow_indices, col_indices, values, size=None, *, dtype=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) Tensor¶
使用在给定
crow_indices和col_indices处指定的二维块构造 BSR (块压缩稀疏行) 格式的稀疏张量。BSR 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 关于索引数据类型的说明。注意
如果未指定
device参数，则给定的values和索引张量的设备必须匹配。但是，如果指定了该参数，则输入张量将被转换到给定的设备，并进而确定构建的稀疏张量的设备。- 参数
crow_indices (类似数组) – 大小为
(*batchsize, nrowblocks + 1)的 (B+1) 维数组。每个批次的最后一个元素是非零块的数量。这个张量根据给定行块的起始位置，编码了 values 和 col_indices 中的块索引。张量中每个连续的数字减去前一个数字，表示给定行中的块数量。col_indices (类似数组) – values 中每个块的列块坐标。与 values 长度相同的 (B+1) 维张量。
values (类似数组) – 张量的初始值。可以是列表、元组、NumPy
ndarray、标量以及表示 (1 + 2 + K) 维张量的其他类型，其中K是密集维度的数量。size (list, tuple,
torch.Size, optional) – 稀疏张量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize)，其中blocksize == values.shape[1:3]。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尺寸。
- 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())。对于 CPU 张量类型，device将是 CPU；对于 CUDA 张量类型，将是当前的 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 autograd 应该记录返回张量上的操作。默认值：
False。check_invariants (bool, optional) – 是否检查稀疏张量的不变量。默认值：由
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回的值，初始为 False。
- 示例：
>>> crow_indices = [0, 1, 2] >>> col_indices = [0, 1] >>> values = [[[1, 2], [3, 4]], [[5, 6], [7, 8]]] >>> torch.sparse_bsr_tensor(torch.tensor(crow_indices, dtype=torch.int64), ... torch.tensor(col_indices, dtype=torch.int64), ... torch.tensor(values), dtype=torch.double) tensor(crow_indices=tensor([0, 1, 2]), col_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_bsr)
