torch.sparse.spdiags

torch.sparse.spdiags(diagonals, offsets, shape, layout=None) → Tensor

透過將 diagonals 的行值放置在輸出的指定對角線上來建立稀疏 2D 張量

offsets 張量控制哪些對角線將被設定。

• 如果 offsets[i] = 0，則為主對角線

• 如果 offsets[i] < 0，則為主對角線下方

• 如果 offsets[i] > 0，則為主對角線上方

diagonals 的行數必須與 offsets 的長度匹配，並且每個偏移量都不能重複。

引數

• diagonals (Tensor) – 按行儲存對角線的矩陣

• offsets (Tensor) – 要設定的對角線，儲存為向量

• shape (2-tuple of ints) – 結果所需的形狀

關鍵字引數

layout (torch.layout, optional) – 返回張量所需的佈局。支援 torch.sparse_coo、torch.sparse_csc 和 torch.sparse_csr。預設為 torch.sparse_coo

示例

設定矩陣的主對角線和前兩條下對角線

>>> diags = torch.arange(9).reshape(3, 3)
>>> diags
tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])
>>> s = torch.sparse.spdiags(diags, torch.tensor([0, -1, -2]), (3, 3))
>>> s
tensor(indices=tensor([[0, 1, 2, 1, 2, 2],
                       [0, 1, 2, 0, 1, 0]]),
       values=tensor([0, 1, 2, 3, 4, 6]),
       size=(3, 3), nnz=6, layout=torch.sparse_coo)
>>> s.to_dense()
tensor([[0, 0, 0],
        [3, 1, 0],
        [6, 4, 2]])

更改輸出佈局

>>> diags = torch.arange(9).reshape(3, 3)
>>> diags
tensor([[0, 1, 2],[3, 4, 5], [6, 7, 8])
>>> s = torch.sparse.spdiags(diags, torch.tensor([0, -1, -2]), (3, 3), layout=torch.sparse_csr)
>>> s
tensor(crow_indices=tensor([0, 1, 3, 6]),
       col_indices=tensor([0, 0, 1, 0, 1, 2]),
       values=tensor([0, 3, 1, 6, 4, 2]), size=(3, 3), nnz=6,
       layout=torch.sparse_csr)
>>> s.to_dense()
tensor([[0, 0, 0],
        [3, 1, 0],
        [6, 4, 2]])

設定大型輸出的部分對角線

>>> diags = torch.tensor([[1, 2], [3, 4]])
>>> offsets = torch.tensor([0, -1])
>>> torch.sparse.spdiags(diags, offsets, (5, 5)).to_dense()
tensor([[1, 0, 0, 0, 0],
        [3, 2, 0, 0, 0],
        [0, 4, 0, 0, 0],
        [0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0]])

注意

在沿著給定對角線設定值時，對角線中的索引和 diagonals 行中的索引被視為輸出中的列索引。這意味著，當設定具有正偏移量 k 的對角線時，該對角線上的第一個值將是 diagonals 行中位置 k 的值

指定正偏移量

>>> diags = torch.tensor([[1, 2, 3], [1, 2, 3], [1, 2, 3]])
>>> torch.sparse.spdiags(diags, torch.tensor([0, 1, 2]), (5, 5)).to_dense()
tensor([[1, 2, 3, 0, 0],
        [0, 2, 3, 0, 0],
        [0, 0, 3, 0, 0],
        [0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0]])