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_indices
和col_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)