torch.Tensor.to_sparse

Tensor.to_sparse(sparseDims) → Tensor

返回張量的稀疏副本。PyTorch支援 座標格式 的稀疏張量。

引數

sparseDims (int, optional) – 新建稀疏張量中包含的稀疏維度數量。

示例

>>> d = torch.tensor([[0, 0, 0], [9, 0, 10], [0, 0, 0]])
>>> d
tensor([[ 0,  0,  0],
        [ 9,  0, 10],
        [ 0,  0,  0]])
>>> d.to_sparse()
tensor(indices=tensor([[1, 1],
                       [0, 2]]),
       values=tensor([ 9, 10]),
       size=(3, 3), nnz=2, layout=torch.sparse_coo)
>>> d.to_sparse(1)
tensor(indices=tensor([[1]]),
       values=tensor([[ 9,  0, 10]]),
       size=(3, 3), nnz=1, layout=torch.sparse_coo)

to_sparse(*, layout=None, blocksize=None, dense_dim=None) → Tensor

返回具有指定佈局和塊大小的稀疏張量。如果 self 是跨步的，則可以指定密集維度數量，並將建立一個混合稀疏張量，其中包含 dense_dim 個密集維度和 self.dim() - 2 - dense_dim 個批處理維度。

注意

如果 self 的佈局和塊大小引數與指定的佈局和塊大小匹配，則返回 self。否則，返回 self 的稀疏張量副本。

引數

• layout (torch.layout, optional) – 期望的稀疏佈局。可以是 torch.sparse_coo, torch.sparse_csr, torch.sparse_csc, torch.sparse_bsr, 或 torch.sparse_bsc 之一。預設值：如果為 None，則為 torch.sparse_coo。

• blocksize (list, tuple, torch.Size, optional) – 結果 BSR 或 BSC 張量的塊大小。對於其他佈局，指定非 None 的塊大小將導致 RuntimeError 異常。塊大小必須是長度為二的元組，其元素能整除兩個稀疏維度。

• dense_dim (int, optional) – 結果 CSR, CSC, BSR 或 BSC 張量的密集維度數量。此引數僅在 self 是跨步張量時使用，並且必須介於 0 和 self 張量維度減二之間的值。

示例

>>> x = torch.tensor([[1, 0], [0, 0], [2, 3]])
>>> x.to_sparse(layout=torch.sparse_coo)
tensor(indices=tensor([[0, 2, 2],
                       [0, 0, 1]]),
       values=tensor([1, 2, 3]),
       size=(3, 2), nnz=3, layout=torch.sparse_coo)
>>> x.to_sparse(layout=torch.sparse_bsr, blocksize=(1, 2))
tensor(crow_indices=tensor([0, 1, 1, 2]),
       col_indices=tensor([0, 0]),
       values=tensor([[[1, 0]],
                      [[2, 3]]]), size=(3, 2), nnz=2, layout=torch.sparse_bsr)
>>> x.to_sparse(layout=torch.sparse_bsr, blocksize=(2, 1))
RuntimeError: Tensor size(-2) 3 needs to be divisible by blocksize[0] 2
>>> x.to_sparse(layout=torch.sparse_csr, blocksize=(3, 1))
RuntimeError: to_sparse for Strided to SparseCsr conversion does not use specified blocksize

>>> x = torch.tensor([[[1], [0]], [[0], [0]], [[2], [3]]])
>>> x.to_sparse(layout=torch.sparse_csr, dense_dim=1)
tensor(crow_indices=tensor([0, 1, 1, 3]),
       col_indices=tensor([0, 0, 1]),
       values=tensor([[1],
                      [2],
                      [3]]), size=(3, 2, 1), nnz=3, layout=torch.sparse_csr)