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

构建一个在 CSR（压缩稀疏行） 格式下的稀疏张量，使用指定的 values 和给定的 crow_indices 以及 col_indices。CSR 格式的稀疏矩阵乘法运算通常比 COO 格式的稀疏张量运算更快。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 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为给定的设备，进而决定构建的稀疏张量的设备。

参数

• crow_indices (array_like) – (B+1) 维数组，大小为 (*batchsize, nrows + 1)。每个批次的最后一个元素是非零元素的数量。此张量编码了 values 和 col_indices 中的索引，取决于给定行的起始位置。张量中每个后继数字减去其前一个数字表示给定行中的元素数量。

• col_indices (array_like) – values 中每个元素的列坐标。(B+1) 维张量，其长度与 values 相同。

• values (array_list) – 张量的初始值。可以是列表、元组、NumPy ndarray、标量以及表示 (1+K) 维张量的其他类型，其中 K 是密集维度数量。

• size (list, tuple, torch.Size, 可选) – 稀疏张量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小将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, 可选) – 返回张量所需的设备。默认值：如果为 None，则对默认张量类型使用当前设备（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定内存（pinned memory）中。仅适用于 CPU 张量。默认值：False。

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

• check_invariants (bool, 可选) – 是否检查稀疏张量不变性（invariants）。默认值：由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回的值，初始为 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)