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（Compressed Sparse format）的稀疏张量 - CSR、CSC、BSR 或 BSC -，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(s)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指定的设备，进而决定构造的稀疏张量的设备。- 参数
compressed_indices (类数组) – 大小为
(*batchsize, compressed_dim_size + 1)的 (B+1) 维数组。每个批次的最后一个元素是非零元素或块的数量。此张量编码了在values和plain_indices中的索引，具体取决于给定的压缩维度（行或列）从何处开始。张量中每个连续的数字减去其前一个数字，表示给定压缩维度中的元素或块的数量。plain_indices (类数组) – 值中每个元素或块的普通维度（列或行）坐标。(B+1) 维张量，其长度与值相同。
values (类数组) – 张量的初始值。可以是列表、元组、NumPy
ndarray、标量以及其他类型。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），其中K是稠密维度（dense dimensions）的数量。size (list, tuple,
torch.Size, 可选) – 稀疏张量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize)，其中对于 CSR 和 CSC 格式，blocksize[0] == blocksize[1] == 1。如果未提供，则大小将被推断为足够容纳所有非零元素或块的最小大小。
- 关键字参数
dtype (
torch.dtype, 可选) – 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。layout (
torch.layout, 必需) – 返回张量所需的布局：torch.sparse_csr、torch.sparse_csc、torch.sparse_bsr或torch.sparse_bsc。device (
torch.device, 可选) – 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()）。device对于 CPU 张量类型将是 CPU，对于 CUDA 张量类型将是当前的 CUDA 设备。pin_memory (bool, 可选) – 如果设置，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, 可选) – 自动求导是否应该记录返回张量上的操作。默认值：
False。check_invariants (bool, 可选) – 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：
>>> 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)
