快捷方式

torch.sparse_csr_tensor

torch.sparse_csr_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 在指定位置构建一个 CSR (压缩稀疏行) 格式的稀疏张量。CSR 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设备,并反过来确定构建的稀疏张量的设备。

参数
  • crow_indices (array_like) – 大小为 (*batchsize, nrows + 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。此张量根据给定行开始位置对 values 和 col_indices 中的索引进行编码。张量中每个连续的数字减去之前的数字表示给定行中元素的数量。

  • col_indices (array_like) – values 中每个元素的列坐标。长度与 values 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,表示 (1+K) 维张量,其中 K 是密集维度的数量。

  • size (list, tuple, torch.Size, 可选) – 稀疏张量的大小: (*batchsize, nrows, ncols, *densesize)。如果没有提供,则大小将被推断为足够大以容纳所有非零元素的最小大小。

关键字参数
  • dtype (torch.dtype, 可选) – 返回张量的期望数据类型。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())。对于 CPU 张量类型,device 将为 CPU,对于 CUDA 张量类型,将为当前 CUDA 设备。

  • pin_memory (bool, 可选) – 如果设置,则返回的张量将分配到固定内存中。仅适用于 CPU 张量。默认值: False

  • requires_grad (bool, 可选) – 如果自动微分应记录返回张量上的操作。默认值: False

  • check_invariants (bool, 可选) – 如果检查稀疏张量不变量。默认值: 由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回,最初为 False。

示例:
>>> crow_indices = [0, 2, 4]
>>> col_indices = [0, 1, 0, 1]
>>> values = [1, 2, 3, 4]
>>> torch.sparse_csr_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, 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)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源