数据类型¶

TorchRec 包含用于表示嵌入的数据类型，也称为稀疏特征。稀疏特征通常是索引，用于馈送到嵌入表中。对于给定的批次，嵌入查找索引的数量是可变的。因此，需要一个不规则维度来表示批次中可变数量的嵌入查找索引。

本节介绍用于表示稀疏特征的 3 种 TorchRec 数据类型的类：JaggedTensor、KeyedJaggedTensor 和 KeyedTensor。

class torchrec.sparse.jagged_tensor.JaggedTensor(*args, **kwargs)¶

表示一个（可选加权的）不规则张量。

一个JaggedTensor 是一个具有不规则维度的张量，该维度的切片可能具有不同的长度。有关完整的示例，请参见KeyedJaggedTensor。

实现是可 torch.jit.script 的。

注意

我们不会进行输入验证，因为这很昂贵，你应该始终传入有效的长度、偏移量等。

参数：

values (torch.Tensor) – 以密集表示的值张量。
weights (Optional[torch.Tensor]) – 如果值为加权，则与值具有相同形状的张量。
lengths (Optional[torch.Tensor]) – 不规则切片，以长度表示。
offsets (Optional[torch.Tensor]) – 不规则切片，以累积偏移量表示。

device() → device¶

获取 JaggedTensor 设备。

返回值：: 值张量的设备。
返回类型：: torch.device

static empty(is_weighted: bool = False, device: Optional[device] = None, values_dtype: Optional[dtype] = None, weights_dtype: Optional[dtype] = None, lengths_dtype: dtype = torch.int32) → JaggedTensor¶

构造一个空的 JaggedTensor。

参数：

is_weighted (bool) – JaggedTensor 是否具有权重。
device (Optional[torch.device]) – JaggedTensor 的设备。
values_dtype (Optional[torch.dtype]) – 值的数据类型。
weights_dtype (Optional[torch.dtype]) – 权重的值类型。
lengths_dtype (torch.dtype) – 长度的值类型。

返回值：

空的 JaggedTensor。

返回类型：

JaggedTensor

static from_dense(values: List[Tensor], weights: Optional[List[Tensor]] = None) → JaggedTensor¶

从值的张量列表和可选的权重构造JaggedTensor。 lengths 将被计算出来，形状为 (B,)，其中 B 是len(values)，代表批次大小。

参数：

values (List[torch.Tensor]) – 用于密集表示的张量列表
weights (Optional[List[torch.Tensor]]) – 如果值为加权，则与值具有相同形状的张量。

返回值：

从 2D 密集张量创建的 JaggedTensor。

返回类型：

JaggedTensor

示例

values = [
    torch.Tensor([1.0]),
    torch.Tensor(),
    torch.Tensor([7.0, 8.0]),
    torch.Tensor([10.0, 11.0, 12.0]),
]
weights = [
    torch.Tensor([1.0]),
    torch.Tensor(),
    torch.Tensor([7.0, 8.0]),
    torch.Tensor([10.0, 11.0, 12.0]),
]
j1 = JaggedTensor.from_dense(
    values=values,
    weights=weights,
)

# j1 = [[1.0], [], [7.0, 8.0], [10.0, 11.0, 12.0]]

static from_dense_lengths(values: Tensor, lengths: Tensor, weights: Optional[Tensor] = None) → JaggedTensor¶

从值和长度张量以及可选的权重构造JaggedTensor。请注意，lengths 仍然具有形状 (B,)，其中 B 是批次大小。

参数：

values (torch.Tensor) – 值的密集表示。
lengths (torch.Tensor) – 不规则切片，以长度表示。
weights (Optional[torch.Tensor]) – 如果值为加权，则与值具有相同形状的张量。

返回值：

从 2D 密集张量创建的 JaggedTensor。

返回类型：

JaggedTensor

lengths() → Tensor¶

获取 JaggedTensor 长度。如果未计算，则从偏移量计算它。

返回值：: 长度张量。
返回类型：: torch.Tensor

lengths_or_none() → Optional[Tensor]¶

获取 JaggedTensor 长度。如果未计算，则返回 None。

返回值：: 长度张量。
返回类型：: Optional[torch.Tensor]

offsets() → Tensor¶

获取 JaggedTensor 的偏移量。如果未计算，则从长度计算。

返回值：: 偏移量张量。
返回类型：: torch.Tensor

offsets_or_none() → Optional[Tensor]¶

获取 JaggedTensor 的偏移量。如果未计算，则返回 None。

返回值：: 偏移量张量。
返回类型：: Optional[torch.Tensor]

record_stream(stream: Stream) → None¶: 参见 https://pytorch.ac.cn/docs/stable/generated/torch.Tensor.record_stream.html

to(device: device, non_blocking: bool = False) → JaggedTensor¶

将 JaggedTensor 移动到指定设备。

参数：

device (torch.device) – 要移动到的设备。
non_blocking (bool) – 是否异步执行复制。

返回值：

移动后的 JaggedTensor。

返回类型：

JaggedTensor

to_dense() → List[Tensor]¶

构建 JT 值的密集表示。

返回值：: 张量列表。
返回类型：: List[torch.Tensor]

示例

values = torch.Tensor([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0])
offsets = torch.IntTensor([0, 2, 2, 3, 4, 5, 8])
jt = JaggedTensor(values=values, offsets=offsets)

values_list = jt.to_dense()

# values_list = [
#     torch.tensor([1.0, 2.0]),
#     torch.tensor([]),
#     torch.tensor([3.0]),
#     torch.tensor([4.0]),
#     torch.tensor([5.0]),
#     torch.tensor([6.0, 7.0, 8.0]),
# ]

to_dense_weights() → Optional[List[Tensor]]¶

构建 JT 权重的密集表示。

返回值：: 张量列表，None 如果没有权重。
返回类型：: Optional[List[torch.Tensor]]

示例

values = torch.Tensor([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0])
weights = torch.Tensor([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8])
offsets = torch.IntTensor([0, 2, 2, 3, 4, 5, 8])
jt = JaggedTensor(values=values, weights=weights, offsets=offsets)

weights_list = jt.to_dense_weights()

# weights_list = [
#     torch.tensor([0.1, 0.2]),
#     torch.tensor([]),
#     torch.tensor([0.3]),
#     torch.tensor([0.4]),
#     torch.tensor([0.5]),
#     torch.tensor([0.6, 0.7, 0.8]),
# ]

to_padded_dense(desired_length: Optional[int] = None, padding_value: float = 0.0) → Tensor¶

从 JT 的值构建一个形状为 (B, N,) 的 2D 密集张量。

注意，B 是 self.lengths() 的长度，N 是最长的特征长度或 desired_length。

如果 desired_length > length，我们将使用 padding_value 进行填充，否则我们将选择 desired_length 处的最后一个值。

参数：

desired_length (int) – 张量的长度。
padding_value (float) – 如果需要填充，则填充值。

返回值：

2d 密集张量。

返回类型：

torch.Tensor

示例

values = torch.Tensor([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0])
offsets = torch.IntTensor([0, 2, 2, 3, 4, 5, 8])
jt = JaggedTensor(values=values, offsets=offsets)

dt = jt.to_padded_dense(
    desired_length=2,
    padding_value=10.0,
)

# dt = [
#     [1.0, 2.0],
#     [10.0, 10.0],
#     [3.0, 10.0],
#     [4.0, 10.0],
#     [5.0, 10.0],
#     [6.0, 7.0],
# ]

to_padded_dense_weights(desired_length: Optional[int] = None, padding_value: float = 0.0) → Optional[Tensor]¶

从 JT 的权重构建一个形状为 (B, N,) 的 2D 密集张量。

注意，B（批大小）是 self.lengths() 的长度，N 是最长的特征长度或 desired_length。

如果 desired_length > length，我们将使用 padding_value 进行填充，否则我们将选择 desired_length 处的最后一个值。

类似于 to_padded_dense，但用于 JT 的权重而不是值。

参数：

desired_length (int) – 张量的长度。
padding_value (float) – 如果需要填充，则填充值。

返回值：

2d 密集张量，None 如果没有权重。

返回类型：

Optional[torch.Tensor]

示例

values = torch.Tensor([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0])
weights = torch.Tensor([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8])
offsets = torch.IntTensor([0, 2, 2, 3, 4, 5, 8])
jt = JaggedTensor(values=values, weights=weights, offsets=offsets)

d_wt = jt.to_padded_dense_weights(
    desired_length=2,
    padding_value=1.0,
)

# d_wt = [
#     [0.1, 0.2],
#     [1.0, 1.0],
#     [0.3, 1.0],
#     [0.4, 1.0],
#     [0.5, 1.0],
#     [0.6, 0.7],
# ]

values() → Tensor¶

获取 JaggedTensor 的值。

返回值：: 值张量。
返回类型：: torch.Tensor

weights() → Tensor¶

获取 JaggedTensor 的权重。如果为 None，则抛出错误。

返回值：: 权重张量。
返回类型：: torch.Tensor

weights_or_none() → Optional[Tensor]¶

获取 JaggedTensor 的权重。如果为 None，则返回 None。

返回值：: 权重张量。
返回类型：: Optional[torch.Tensor]

class torchrec.sparse.jagged_tensor.KeyedJaggedTensor(*args, **kwargs)¶

表示一个（可选加权的）键控不规则张量。

一个 KeyedJaggedTensor 是一个具有 *不规则维度* 的张量，该维度是指其切片可能具有不同长度的维度。键控在第一个维度，不规则在最后一个维度。

实现是可 torch.jit.script 的。

参数：

keys (List[str]) – 不规则张量的键。
values (torch.Tensor) – 以密集表示的值张量。
weights (Optional[torch.Tensor]) – 如果值有权重。形状与值相同的张量。
lengths (Optional[torch.Tensor]) – 不规则切片，以长度表示。
offsets (Optional[torch.Tensor]) – 不规则切片，以累积偏移量表示。
stride (Optional[int]) – 每个批次的示例数。
stride_per_key_per_rank (Optional[List[List[int]]]) – 每个键每个等级的批大小（示例数），外部列表表示键，内部列表表示值。内部列表中的每个值表示批次中来自其索引所在等级的示例数，在分布式环境中。
length_per_key (Optional[List[int]]) – 每个键的起始长度。
offset_per_key (Optional[List[int]]) – 每个键的起始偏移量和最终偏移量。
index_per_key (Optional[Dict[str, int]]) – 每个键的索引。
jt_dict (Optional[Dict[str, JaggedTensor]]) – 键到 JaggedTensor 的字典。允许将 to_dict() 设为延迟/可缓存的。
inverse_indices (Optional[Tuple[List[str], torch.Tensor]]) – 逆向索引，用于扩展去重的嵌入输出，以适应每个键的可变步幅。

示例

#              0       1        2  <-- dim_1
# "Feature0"   [V0,V1] None    [V2]
# "Feature1"   [V3]    [V4]    [V5,V6,V7]
#   ^
#  dim_0

dim_0: keyed dimension (ie. `Feature0`, `Feature1`)
dim_1: optional second dimension (ie. batch size)
dim_2: The jagged dimension which has slice lengths between 0-3 in the above example

# We represent this data with following inputs:

values: torch.Tensor = [V0, V1, V2, V3, V4, V5, V6, V7]  # V == any tensor datatype
weights: torch.Tensor = [W0, W1, W2, W3, W4, W5, W6, W7]  # W == any tensor datatype
lengths: torch.Tensor = [2, 0, 1, 1, 1, 3]  # representing the jagged slice
offsets: torch.Tensor = [0, 2, 2, 3, 4, 5, 8]  # offsets from 0 for each jagged slice
keys: List[str] = ["Feature0", "Feature1"]  # correspond to each value of dim_0
index_per_key: Dict[str, int] = {"Feature0": 0, "Feature1": 1}  # index for each key
offset_per_key: List[int] = [0, 3, 8]  # start offset for each key and final offset

static concat(kjt_list: List[KeyedJaggedTensor]) → KeyedJaggedTensor¶

将 KeyedJaggedTensor 列表连接成一个 KeyedJaggedTensor。

参数：: kjt_list (List[KeyedJaggedTensor]) – 要连接的 KeyedJaggedTensor 列表。
返回值：: 连接的 KeyedJaggedTensor。
返回类型：: KeyedJaggedTensor

device() → device¶

返回 KeyedJaggedTensor 的设备。

返回值：: KeyedJaggedTensor 的设备。
返回类型：: torch.device

static empty(is_weighted: bool = False, device: Optional[device] = None, values_dtype: Optional[dtype] = None, weights_dtype: Optional[dtype] = None, lengths_dtype: dtype = torch.int32) → KeyedJaggedTensor¶

构造一个空的 KeyedJaggedTensor。

参数：

is_weighted (bool) – KeyedJaggedTensor 是否加权。
device (Optional[torch.device]) – KeyedJaggedTensor 将放置的设备。
values_dtype (Optional[torch.dtype]) – 值张量的 dtype。
weights_dtype (Optional[torch.dtype]) – 权重张量的 dtype。
lengths_dtype (torch.dtype) – 长度张量的 dtype。

返回值：

空 KeyedJaggedTensor。

返回类型：

KeyedJaggedTensor

static empty_like(kjt: KeyedJaggedTensor) → KeyedJaggedTensor¶

构造一个空的 KeyedJaggedTensor，其设备和 dtype 与输入 KeyedJaggedTensor 相同。

参数：: kjt (KeyedJaggedTensor) – 输入 KeyedJaggedTensor。
返回值：: 空 KeyedJaggedTensor。
返回类型：: KeyedJaggedTensor

static from_jt_dict(jt_dict: Dict[str, JaggedTensor]) → KeyedJaggedTensor¶

从 JaggedTensor 字典构造 KeyedJaggedTensor。会自动调用 kjt.sync() 以同步新创建的 KJT。

注意

此函数仅在所有 JaggedTensor 具有相同的“隐式”batch_size 维度时才能正常工作。

基本上，我们可以将 JaggedTensor 视为 [batch_size x variable_feature_dim] 格式的二维张量。在这种情况下，如果某些批次没有特征值，输入的 JaggedTensor 可以不包含任何值。

但 KeyedJaggedTensor（默认情况下）通常会填充“None”，以便 KeyedJaggedTensor 中存储的所有 JaggedTensor 都具有相同的 batch_size 维度。也就是说，在这种情况下，输入的 JaggedTensor 没有自动填充空批次，此函数会报错/无法正常工作。

考虑以下 KeyedJaggedTensor 的可视化：# 0 1 2 <– dim_1 # “Feature0” [V0,V1] None [V2] # “Feature1” [V3] [V4] [V5,V6,V7] # ^ # dim_0

现在如果输入 jt_dict = {: # “Feature0” [V0,V1] [V2] # “Feature1” [V3] [V4] [V5,V6,V7]

} 并且每个 JaggedTensor 中都省略了“None”，那么此函数将失败，因为我们无法正确填充“None”，因为它实际上不知道在 JaggedTensor 中填充的正确批次/位置。

本质上，此函数推断的长度张量将是 [2, 1, 1, 1, 3]，表示可变 batch_size dim_1 违反了 KeyedJaggedTensor 应该具有固定 batch_size 维度的现有假设/先决条件。

参数：: jt_dict (Dict[str, JaggedTensor]) – JaggedTensor 的字典。
返回值：: 构造的 KeyedJaggedTensor。
返回类型：: KeyedJaggedTensor

static from_lengths_sync(keys: List[str], values: Tensor, lengths: Tensor, weights: Optional[Tensor] = None, stride: Optional[int] = None, stride_per_key_per_rank: Optional[List[List[int]]] = None, inverse_indices: Optional[Tuple[List[str], Tensor]] = None) → KeyedJaggedTensor¶

从键、长度和偏移量列表构造 KeyedJaggedTensor。与 from_offsets_sync 相同，只是使用长度而不是偏移量。

参数：

keys (List[str]) – 键列表。
values (torch.Tensor) – 以密集表示的值张量。
lengths (torch.Tensor) – 不规则切片，以长度表示。
weights (Optional[torch.Tensor]) – 如果值有权重。形状与值相同的张量。
stride (Optional[int]) – 每个批次的示例数。
stride_per_key_per_rank (Optional[List[List[int]]]) – 每个键每个 ranks 的批次大小（示例数量），其中外部列表表示键，内部列表表示值。
inverse_indices (Optional[Tuple[List[str], torch.Tensor]]) – 逆向索引，用于扩展去重的嵌入输出，以适应每个键的可变步幅。

返回值：

构造的 KeyedJaggedTensor。

返回类型：

KeyedJaggedTensor

static from_offsets_sync(keys: List[str], values: Tensor, offsets: Tensor, weights: Optional[Tensor] = None, stride: Optional[int] = None, stride_per_key_per_rank: Optional[List[List[int]]] = None, inverse_indices: Optional[Tuple[List[str], Tensor]] = None) → KeyedJaggedTensor¶

从键、值和偏移量列表构造 KeyedJaggedTensor。

参数：

keys (List[str]) – 键列表。
values (torch.Tensor) – 以密集表示的值张量。
offsets (torch.Tensor) – 不规则切片，表示为累积偏移量。
weights (Optional[torch.Tensor]) – 如果值有权重。形状与值相同的张量。
stride (Optional[int]) – 每个批次的示例数。
stride_per_key_per_rank (Optional[List[List[int]]]) – 每个键每个 ranks 的批次大小（示例数量），其中外部列表表示键，内部列表表示值。
inverse_indices (Optional[Tuple[List[str], torch.Tensor]]) – 逆向索引，用于扩展去重的嵌入输出，以适应每个键的可变步幅。

返回值：

构造的 KeyedJaggedTensor。

返回类型：

KeyedJaggedTensor

index_per_key() → Dict[str, int]¶

返回 KeyedJaggedTensor 的每个键的索引。

返回值：: KeyedJaggedTensor 的每个键的索引。
返回类型：: Dict[str, int]

inverse_indices() → Tuple[List[str], Tensor]¶

返回 KeyedJaggedTensor 的逆索引。如果逆索引为 None，则会抛出错误。

返回值：: KeyedJaggedTensor 的逆索引。
返回类型：: Tuple[List[str], torch.Tensor]

inverse_indices_or_none() → Optional[Tuple[List[str], Tensor]]¶

返回 KeyedJaggedTensor 的逆索引，如果不存在，则返回 None。

返回值：: KeyedJaggedTensor 的逆索引。
返回类型：: Optional[Tuple[List[str], torch.Tensor]]

keys() → List[str]¶

返回 KeyedJaggedTensor 的键。

返回值：: KeyedJaggedTensor 的键。
返回类型：: List[str]

length_per_key() → List[int]¶

返回 KeyedJaggedTensor 每个键的长度。如果每个键的长度为 None，则会计算它。

返回值：: KeyedJaggedTensor 每个键的长度。
返回类型：: List[int]

length_per_key_or_none() → Optional[List[int]]¶

返回 KeyedJaggedTensor 每个键的长度，如果尚未计算，则返回 None。

返回值：: KeyedJaggedTensor 每个键的长度。
返回类型：: List[int]

lengths() → Tensor¶

返回 KeyedJaggedTensor 的长度。如果长度尚未计算，则会计算它们。

返回值：: KeyedJaggedTensor 的长度。
返回类型：: torch.Tensor

lengths_offset_per_key() → List[int]¶

返回 KeyedJaggedTensor 每个键的长度偏移量。如果每个键的长度偏移量为 None，则会计算它。

返回值：: KeyedJaggedTensor 每个键的长度偏移量。
返回类型：: List[int]

lengths_or_none() → Optional[Tensor]¶

返回 KeyedJaggedTensor 的长度，如果尚未计算，则返回 None。

返回值：: KeyedJaggedTensor 的长度。
返回类型：: torch.Tensor

offset_per_key() → List[int]¶

返回 KeyedJaggedTensor 每个键的偏移量。如果每个键的偏移量为 None，则会计算它。

返回值：: KeyedJaggedTensor 每个键的偏移量。
返回类型：: List[int]

offset_per_key_or_none() → Optional[List[int]]¶

返回 KeyedJaggedTensor 每个键的偏移量，如果尚未计算，则返回 None。

返回值：: KeyedJaggedTensor 每个键的偏移量。
返回类型：: List[int]

offsets() → Tensor¶

返回 KeyedJaggedTensor 的偏移量。如果偏移量尚未计算，则会计算它们。

返回值：: KeyedJaggedTensor 的偏移量。
返回类型：: torch.Tensor

offsets_or_none() → Optional[Tensor]¶

返回 KeyedJaggedTensor 的偏移量，如果尚未计算，则返回 None。

返回值：: KeyedJaggedTensor 的偏移量。
返回类型：: torch.Tensor

permute(indices: List[int], indices_tensor: Optional[Tensor] = None) → KeyedJaggedTensor¶

对 KeyedJaggedTensor 进行置换。

参数：

indices (List[int]) – 索引列表。
indices_tensor (Optional[torch.Tensor]) – 索引张量。

返回值：

置换后的 KeyedJaggedTensor。

返回类型：

KeyedJaggedTensor

record_stream(stream: Stream) → None¶: 参见 https://pytorch.ac.cn/docs/stable/generated/torch.Tensor.record_stream.html

split(segments: List[int]) → List[KeyedJaggedTensor]¶

将 KeyedJaggedTensor 拆分为 KeyedJaggedTensor 列表。

参数：: segments (List[int]) – 分段列表。
返回值：: KeyedJaggedTensor 列表。
返回类型：: List[KeyedJaggedTensor]

stride() → int¶

返回 KeyedJaggedTensor 的步长。如果步长为 None，则会计算它。

返回值：: KeyedJaggedTensor 的步长。
返回类型：: int

stride_per_key() → List[int]¶

返回 KeyedJaggedTensor 每个键的步长。如果每个键的步长为 None，则会计算它。

返回值：: KeyedJaggedTensor 每个键的步长。
返回类型：: List[int]

stride_per_key_per_rank() → List[List[int]]¶

返回 KeyedJaggedTensor 每个键每个秩的步长。

返回值：: KeyedJaggedTensor 每个键每个秩的步长。
返回类型：: List[List[int]]

sync() → KeyedJaggedTensor¶

通过计算 offset_per_key 和 length_per_key 来同步 KeyedJaggedTensor。

返回值：: 同步后的 KeyedJaggedTensor。
返回类型：: KeyedJaggedTensor

to(device: device, non_blocking: bool = False, dtype: Optional[dtype] = None) → KeyedJaggedTensor¶

返回指定设备和数据类型的 KeyedJaggedTensor 的副本。

参数：

device (torch.device) – 副本所需的设备。
non_blocking (bool) – 是否以非阻塞方式复制张量。
dtype (可选[torch.dtype]) – 复制的所需数据类型。

返回值：

已复制的 KeyedJaggedTensor。

返回类型：

KeyedJaggedTensor

to_dict() → Dict[str, JaggedTensor]¶

返回每个键的 JaggedTensor 字典。结果将缓存到 self._jt_dict 中。

返回值：: 每个键的 JaggedTensor 字典。
返回类型：: Dict[str, JaggedTensor]

unsync() → KeyedJaggedTensor¶

通过清除 offset_per_key 和 length_per_key 来取消 KeyedJaggedTensor 的同步。

返回值：: 未同步的 KeyedJaggedTensor。
返回类型：: KeyedJaggedTensor

values() → Tensor¶

返回 KeyedJaggedTensor 的值。

返回值：: KeyedJaggedTensor 的值。
返回类型：: torch.Tensor

variable_stride_per_key() → bool¶

返回 KeyedJaggedTensor 是否对每个键都有可变步长。

返回值：: KeyedJaggedTensor 是否对每个键都有可变步长。
返回类型：: bool

weights() → Tensor¶

返回 KeyedJaggedTensor 的权重。如果权重为 None，则会抛出错误。

返回值：: KeyedJaggedTensor 的权重。
返回类型：: torch.Tensor

weights_or_none() → Optional[Tensor]¶

返回 KeyedJaggedTensor 的权重，如果不存在则返回 None。

返回值：: KeyedJaggedTensor 的权重。
返回类型：: torch.Tensor

class torchrec.sparse.jagged_tensor.KeyedTensor(*args, **kwargs)¶

KeyedTensor 持有一个密集张量列表，每个张量都可以通过键访问。

键控维度可以是可变长度（length_per_key）。常见用例包括存储不同维度的池化嵌入。

实现是可 torch.jit.script 的。

参数：

keys (List[str]) – 键列表。
length_per_key (List[int]) – 每个键沿键维度上的长度。
values (torch.Tensor) – 密集张量，通常沿键维度连接。
key_dim (int) – 键维度，从零开始索引 - 默认值为 1（通常 B 是 0 维度）。

示例

# kt is KeyedTensor holding

#                         0           1           2
#     "Embedding A"    [1,1]       [1,1]        [1,1]
#     "Embedding B"    [2,1,2]     [2,1,2]      [2,1,2]
#     "Embedding C"    [3,1,2,3]   [3,1,2,3]    [3,1,2,3]

tensor_list = [
    torch.tensor([[1,1]] * 3),
    torch.tensor([[2,1,2]] * 3),
    torch.tensor([[3,1,2,3]] * 3),
]

keys = ["Embedding A", "Embedding B", "Embedding C"]

kt = KeyedTensor.from_tensor_list(keys, tensor_list)

kt.values()
# torch.Tensor(
#     [
#         [1, 1, 2, 1, 2, 3, 1, 2, 3],
#         [1, 1, 2, 1, 2, 3, 1, 2, 3],
#         [1, 1, 2, 1, 2, 3, 1, 2, 3],
#     ]
# )

kt["Embedding B"]
# torch.Tensor([[2, 1, 2], [2, 1, 2], [2, 1, 2]])

device() → device¶

返回值：: values 张量的设备。
返回类型：: torch.device

static from_tensor_list(keys: List[str], tensors: List[Tensor], key_dim: int = 1, cat_dim: int = 1) → KeyedTensor¶

从张量列表创建 KeyedTensor。张量沿 cat_dim 连接。键用于索引张量。

参数：

keys (List[str]) – 键列表。
tensors (List[torch.Tensor]) – 张量列表。
key_dim (int) – 键维度，从零开始索引 - 默认值为 1（通常 B 是 0 维度）。
cat_dim (int) – 连接张量的维度 - 默认值

返回值：

键控张量。

返回类型：

KeyedTensor

key_dim() → int¶

返回值：: 键维度，从零开始索引 - 通常 B 是 0 维度。
返回类型：: int

keys() → List[str]¶

返回值：: 键列表。
返回类型：: List[str]

length_per_key() → List[int]¶

返回值：: 每个键沿键维度上的长度。
返回类型：: List[int]

offset_per_key() → List[int]¶

获取每个键沿键维度的偏移量。如果尚未计算，则计算并缓存。

返回值：: 每个键沿键维度的偏移量。
返回类型：: List[int]

record_stream(stream: Stream) → None¶: 参见 https://pytorch.ac.cn/docs/stable/generated/torch.Tensor.record_stream.html

static regroup(keyed_tensors: List[KeyedTensor], groups: List[List[str]]) → List[Tensor]¶

将 KeyedTensor 列表重新分组到张量列表中。

参数：

keyed_tensors (List[KeyedTensor]) – KeyedTensor 列表。
groups (List[List[str]]) – 键组列表。

返回值：

张量列表。

返回类型：

List[torch.Tensor]

static regroup_as_dict(keyed_tensors: List[KeyedTensor], groups: List[List[str]], keys: List[str]) → Dict[str, Tensor]¶

将 KeyedTensor 列表重新分组到张量字典中。

参数：

keyed_tensors (List[KeyedTensor]) – KeyedTensor 列表。
groups (List[List[str]]) – 键组列表。
keys (List[str]) – 键列表。

返回值：

张量字典。

返回类型：

Dict[str, torch.Tensor]

to(device: device, non_blocking: bool = False) → KeyedTensor¶

将 values 张量移动到指定的设备。

参数：

device (torch.device) – 要将 values 张量移动到的设备。
non_blocking (bool) – 是否异步执行操作（默认值：False）。

返回值：

将值张量移动到指定设备的键控张量。

返回类型：

KeyedTensor

to_dict() → Dict[str, Tensor]¶

返回值：: 按键键控的张量字典。
返回类型：: Dict[str, torch.Tensor]

values() → Tensor¶

获取值张量。

返回值：: 密集张量，通常沿键维度连接。
返回类型：: torch.Tensor

数据类型¶

文档

教程

资源