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

使用给定ccol_indices和row_indices处的指定值构造CSC（压缩稀疏列）格式的稀疏张量。CSC 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(s)的设备必须匹配。但是，如果指定了该参数，则输入张量将转换为给定的设备，进而确定构造的稀疏张量的设备。

参数

• ccol_indices (类数组) – 大小为(*batchsize, ncols + 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。此张量根据给定列的起始位置编码 values 和 row_indices 中的索引。张量中每个连续的数字减去之前的数字表示给定列中的元素数量。

• row_indices (类数组) – values 中每个元素的行坐标。 (B+1) 维张量，长度与 values 相同。

• values (类列表) – 张量的初始值。可以是列表、元组、NumPy ndarray、标量和其他表示 (1+K) 维张量的类型，其中K是稠密维度的数量。

• size (列表、元组、torch.Size，可选) – 稀疏张量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，则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，可选) – 返回张量的所需数据类型。默认值：如果为 None，则从values推断数据类型。

• device (torch.device，可选) – 返回张量的所需设备。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()）。对于 CPU 张量类型，device 将为 CPU，对于 CUDA 张量类型，则为当前 CUDA 设备。

• pin_memory (bool, 可选) – 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。默认值：False。

• requires_grad (bool, 可选) – 是否应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性。默认值：由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回，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)