torch.sparse_bsr_tensor¶
- torch.sparse_bsr_tensor(crow_indices, col_indices, values, size=None, *, dtype=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) Tensor¶
建構一個 以 BSR (Block Compressed Sparse Row，區塊壓縮稀疏行) 格式表示的稀疏張量，使用給定的
crow_indices和col_indices指定二維區塊。以 BSR 格式進行的稀疏矩陣乘法運算通常比 COO 格式的稀疏張量更快。請務必查看 關於索引資料類型的說明。注意
如果未指定
device參數，則給定的values和索引張量的裝置必須匹配。但是，如果指定了此參數，輸入張量將會被轉換為指定的裝置，進而決定建構的稀疏張量的裝置。- 參數
crow_indices (array_like) – (B+1) 維陣列，大小為
(*batchsize, nrowblocks + 1)。每個批次的最後一個元素是非零元素的數量。此張量根據給定列區塊的起始位置，對 values 和 col_indices 中的區塊索引進行編碼。張量中每個後續的數字減去它之前的數字，表示給定行中的區塊數量。col_indices (array_like) – values 中每個區塊的列區塊座標。(B+1) 維張量，長度與 values 相同。
values (array_list) – 張量的初始值。可以是 list、tuple、NumPy
ndarray、純量以及其他表示 (1 + 2 + K) 維張量的類型，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 * blocksize[0], ncols * blocksize[1], *densesize)，其中blocksize == values.shape[1:3]。如果未提供，則大小將被推斷為足以容納所有非零區塊的最小尺寸。
- 關鍵字參數
dtype (
torch.dtype, optional) – 返回張量的期望資料類型。預設值：如果為 None，則從values推斷資料類型。device (
torch.device, optional) – 返回張量的期望裝置。預設值：如果為 None，則使用預設張量類型的目前裝置 (請參閱torch.set_default_device())。device對於 CPU 張量類型將是 CPU，對於 CUDA 張量類型將是目前的 CUDA 裝置。pin_memory (bool, optional) – 如果設定，返回的張量將會被配置在鎖頁記憶體中。僅適用於 CPU 張量。預設值：
False。requires_grad (bool, optional) – 如果 autograd 應該記錄返回張量的運算。預設值：
False。check_invariants (bool, optional) – 是否檢查稀疏張量不變性。預設值：由
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回，初始值為 False。
- 範例：
>>> crow_indices = [0, 1, 2] >>> col_indices = [0, 1] >>> values = [[[1, 2], [3, 4]], [[5, 6], [7, 8]]] >>> torch.sparse_bsr_tensor(torch.tensor(crow_indices, dtype=torch.int64), ... torch.tensor(col_indices, dtype=torch.int64), ... torch.tensor(values), dtype=torch.double) tensor(crow_indices=tensor([0, 1, 2]), col_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_bsr)
