快捷方式

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_indicescol_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)

文档

訪問 PyTorch 的全面開發者文檔

查看文檔

教程

獲得針對初學者和高級開發者的深入教程

查看教程

資源

查找開發資源並獲得問題解答

查看資源