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 ¶
使用给定的
crow_indices
和col_indices
构造一个在给定位置具有指定二维块的 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(或张量)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为给定的设备,进而确定构造的稀疏张量的设备。- 参数
crow_indices (array_like) – 尺寸为
(*batchsize, nrowblocks + 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。此张量根据给定行块的起始位置对 values 和 col_indices 中的块索引进行编码。张量中每个连续的数字减去之前的数字表示给定行中的块数。col_indices (array_like) – values 中每个块的列块坐标。与 values 长度相同的 (B+1) 维张量。
values (array_list) – 张量的初始值。可以是列表、元组、NumPy
ndarray
、标量和其他类型,这些类型表示一个 (1 + 2 + K) 维张量,其中K
是密集维度的数量。size (list, tuple,
torch.Size
, optional) – 稀疏张量的尺寸:(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize)
,其中blocksize == values.shape[1:3]
。如果没有提供,尺寸将被推断为容纳所有非零块的最小尺寸。
- 关键字参数
dtype (
torch.dtype
, optional) – 返回张量的期望数据类型。默认:如果为 None,则从values
推断数据类型。device (
torch.device
, optional) – 返回张量的期望设备。默认:如果为 None,则使用当前设备作为默认张量类型(参见torch.set_default_device()
)。对于 CPU 张量类型,device
将为 CPU,而对于 CUDA 张量类型,则为当前 CUDA 设备。pin_memory (bool, optional) – 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:
False
。requires_grad (bool, optional) – 如果 autograd 应该记录返回张量上的操作。默认:
False
。check_invariants (bool, optional) – 如果检查稀疏张量不变量。默认:由
torch.sparse.check_sparse_tensor_invariants.is_enabled()
返回,最初为 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)