torch.sparse_bsc_tensor#

torch.sparse_bsc_tensor(ccol_indices, row_indices, values, size=None, *, dtype=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) → Tensor#

構造一個在給定 ccol_indices 和 row_indices 處具有指定二維塊的 BSC (Block Compressed Sparse Column)) 格式稀疏張量。BSC 格式的稀疏矩陣乘法運算通常比 COO 格式的稀疏張量更快。請參閱關於索引資料型別的說明。

注意

如果未指定 device 引數，則給定的 values 和 indices 張量必須在同一裝置上。然而，如果指定了該引數，輸入張量將轉換為給定的裝置，進而決定構造的稀疏張量的裝置。

引數

ccol_indices (array_like) – 大小為 (*batchsize, ncolblocks + 1) 的 (B+1) 維陣列。每個批次的最後一個元素是非零元素的數量。此張量根據給定列的起始位置，對 values 和 row_indices 中的索引進行編碼。張量中相鄰兩個數字的差值表示給定列中的元素數量。
row_indices (array_like) – values 中每個塊的行塊座標。(B+1) 維張量，其長度與 values 相同。
values (array_list) – 張量的初始塊。可以是列表、元組、NumPy ndarray 以及其他表示 (1 + 2 + K) 維張量的型別，其中 K 是密集維度數。
size (list, tuple, torch.Size, optional) – 稀疏張量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize) 如果未提供，則大小將推斷為能夠容納所有非零塊的最小尺寸。

關鍵字引數

dtype (torch.dtype, optional) – 返回張量的所需資料型別。預設值：如果為 None，則從 values 推斷資料型別。
device (torch.device, optional) – 返回張量的所需裝置。預設值：如果為 None，則使用當前預設張量型別的裝置（請參閱 torch.set_default_device()）。對於 CPU 張量型別，device 將是 CPU，對於 CUDA 張量型別，它將是當前 CUDA 裝置。
pin_memory (bool, optional) – 如果設定為 True，則返回的張量將被分配到固定記憶體中。僅適用於 CPU 張量。預設值：False。
requires_grad (bool, optional) – 如果 autograd 應記錄在返回的張量上的操作。預設值：False。
check_invariants (bool, optional) – 是否檢查稀疏張量的不變數。預設值：根據 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回的值，初始為 False。

示例

>>> ccol_indices = [0, 1, 2]
>>> row_indices = [0, 1]
>>> values = [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]
>>> torch.sparse_bsc_tensor(torch.tensor(ccol_indices, dtype=torch.int64),
...                         torch.tensor(row_indices, dtype=torch.int64),
...                         torch.tensor(values), dtype=torch.double)
tensor(ccol_indices=tensor([0, 1, 2]),
       row_indices=tensor([0, 1]),
       values=tensor([[[1., 2.],
                       [3., 4.]],
                      [[5., 6.],
                       [7., 8.]]]), size=(2, 2), nnz=2, dtype=torch.float64,
       layout=torch.sparse_bsc)

torch.sparse_bsc_tensor#

文件

教程

資源