torch.sparse_csc_tensor#

torch.sparse_csc_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 CSC (Compressed Sparse Column) 格式的稀疏張量，使用指定的值、ccol_indices 和 row_indices。CSC 格式的稀疏矩陣乘法通常比 COO 格式的稀疏張量更快。請務必檢視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) – (B+1) 維陣列，大小為 (*batchsize, ncols + 1)。每個批次的最後一個元素是非零元素的數量。該張量編碼了 values 和 row_indices 中給定列的起始位置。張量中連續的兩個數字之差表示給定列中的元素數量。
row_indices (array_like) – values 中每個元素的行座標。(B+1) 維張量，長度與 values 相同。
values (array_list) – 張量的初始值。可以是列表、元組、NumPy ndarray、標量和其他表示 (1+K) 維張量的型別，其中 K 是密集維度的數量。
size (list, tuple, torch.Size, optional) – 稀疏張量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小將推斷為能夠容納所有非零元素的最小尺寸。

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, 2, 4]
>>> row_indices = [0, 1, 0, 1]
>>> values = [1, 2, 3, 4]
>>> torch.sparse_csc_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, 2, 4]),
       row_indices=tensor([0, 1, 0, 1]),
       values=tensor([1., 2., 3., 4.]), size=(2, 2), nnz=4,
       dtype=torch.float64, layout=torch.sparse_csc)

torch.sparse_csc_tensor#

文件

教程

資源