torch.sparse_compressed_tensor¶
- torch.sparse_compressed_tensor(compressed_indices, plain_indices, values, size=None, *, dtype=None, layout=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) Tensor¶
构造一个 压缩稀疏格式（CSR、CSC、BSR 或 BSC）的稀疏张量，并在给定的
compressed_indices和plain_indices处指定值。压缩稀疏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，如果指定了参数，则输入张量将转换为给定的设备，并反过来确定构造的稀疏张量的设备。- 参数
compressed_indices (array_like) – (B+1) 维数组，大小为
(*batchsize, compressed_dim_size + 1)。每个批次的最后一个元素是非零元素或块的数量。此张量编码了values和plain_indices中的索引，具体取决于给定的压缩维度（行或列）的起始位置。张量中每个连续的数字减去它之前的数字表示给定压缩维度中元素或块的数量。plain_indices (array_like) – 值中每个元素或块的普通维度（列或行）坐标。(B+1) 维张量，长度与值相同。
values (array_list) – 张量的初始值。可以是列表、元组、NumPy
ndarray、标量以及其他表示 (1+K) 维（对于 CSR 和 CSC 布局）或 (1+2+K) 维张量（对于 BSR 和 BSC 布局）的类型，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 CSR 和 CSC 格式的blocksize[0] == blocksize[1] == 1。如果未提供，则大小将被推断为足以容纳所有非零元素或块的最小大小。
- 关键字参数
dtype (
torch.dtype, optional) – 返回张量的期望数据类型。默认值：如果为 None，则从values推断数据类型。layout (
torch.layout, required) – 返回张量的期望布局：torch.sparse_csr、torch.sparse_csc、torch.sparse_bsr或torch.sparse_bsc。device (
torch.device, optional) – 返回张量的期望设备。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()）。device对于 CPU 张量类型将为 CPU，对于 CUDA 张量类型将为当前 CUDA 设备。pin_memory (bool, optional) – 如果设置，则返回的张量将在锁页内存中分配。仅适用于 CPU 张量。默认值：
False。requires_grad (bool, optional) – 如果 autograd 应该记录对返回张量的操作。默认值：
False。check_invariants (bool, optional) – 是否检查稀疏张量不变量。默认值：由
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回，初始值为 False。
- 示例：
>>> compressed_indices = [0, 2, 4] >>> plain_indices = [0, 1, 0, 1] >>> values = [1, 2, 3, 4] >>> torch.sparse_compressed_tensor(torch.tensor(compressed_indices, dtype=torch.int64), ... torch.tensor(plain_indices, dtype=torch.int64), ... torch.tensor(values), dtype=torch.double, layout=torch.sparse_csr) tensor(crow_indices=tensor([0, 2, 4]), col_indices=tensor([0, 1, 0, 1]), values=tensor([1., 2., 3., 4.]), size=(2, 2), nnz=4, dtype=torch.float64, layout=torch.sparse_csr)
