torch.sparse_csc_tensor

torch.sparse_csc_tensor(ccol_indices, row_indices, values, size=None, *, dtype=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) → Tensor

构造一个 CSC (Compressed Sparse Column) 格式的稀疏张量，在给定的 ccol_indices 和 row_indices 位置填充指定的值。CSC 格式的稀疏矩阵乘法运算通常比 COO 格式的稀疏张量运算快。请务必查看 有关索引数据类型的注意事项。

注意

如果未指定 device 参数，则给定 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指定的设备，并由此决定构造的稀疏张量的设备。

参数

• ccol_indices (array_like) – (B+1) 维数组，大小为 (*batchsize, ncols + 1)。每个批次的最后一个元素是非零元素的数量。此张量根据给定列的起始位置，编码了 values 和 row_indices 中的索引。张量中每个后续数字减去前一个数字，表示给定列中的元素数量。

• row_indices (array_like) – values 中每个元素的行坐标。(B+1) 维张量，长度与 values 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) 维张量的类型，其中 K 是稠密维度数。

• size (list, tuple, torch.Size, optional) – 稀疏张量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小将被推断为足以容纳所有非零元素的最小大小。

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（参阅 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 CUDA 设备。

• pin_memory (布尔值, 可选) – 如果设置，返回的张量将被分配到锁页（pinned）内存中。仅适用于 CPU 张量。默认值：False。

• requires_grad (布尔值, 可选) – 如果 autograd 应该记录返回张量上的操作。默认值：False。

• check_invariants (布尔值, 可选) – 是否检查稀疏张量不变量。默认值：由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回的值，初始值为 False。

示例：

>>> ccol_indices = [0, 2, 4]
>>> row_indices = [0, 1, 0, 1]
>>> values = [1, 2, 3, 4]
>>> torch.sparse_csc_tensor(torch.tensor(ccol_indices, dtype=torch.int64),
...                         torch.tensor(row_indices, dtype=torch.int64),
...                         torch.tensor(values), dtype=torch.double)
tensor(ccol_indices=tensor([0, 2, 4]),
       row_indices=tensor([0, 1, 0, 1]),
       values=tensor([1., 2., 3., 4.]), size=(2, 2), nnz=4,
       dtype=torch.float64, layout=torch.sparse_csc)