torch.sparse_compressed_tensor¶
- torch.sparse_compressed_tensor(compressed_indices, plain_indices, values, size=None, *, dtype=None, layout=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) Tensor¶
建構一個採用壓縮稀疏格式（Compressed Sparse format）的稀疏張量 - CSR、CSC、BSR 或 BSC -，並在給定的
compressed_indices和plain_indices中指定數值。壓縮稀疏格式的稀疏矩陣乘法運算通常比 COO 格式的稀疏張量更快。請務必參考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一致。但是，如果指定了該參數，則輸入張量將被轉換為給定的裝置，進而決定所建構的稀疏張量的裝置。- 參數
compressed_indices (array_like) – (B+1) 維陣列，大小為
(*batchsize, compressed_dim_size + 1)。每個批次的最後一個元素是非零元素或區塊的數量。此張量根據給定的壓縮維度（行或列）的起始位置，對values和plain_indices中的索引進行編碼。張量中每個連續的數字減去它前面的數字，表示給定壓縮維度中的元素或區塊數量。plain_indices (array_like) – values 中每個元素或區塊的普通維度（欄或列）座標。(B+1) 維張量，與 values 長度相同。
values (array_list) – 張量的初始值。可以是列表、元組、NumPy
ndarray、純量以及其他代表 (1+K) 維（對於 CSR 和 CSC 佈局）或 (1+2+K) 維張量（對於 BSR 和 BSC 佈局）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[0] == blocksize[1] == 1用於 CSR 和 CSC 格式。 如果未提供，則大小將推斷為足以容納所有非零元素或塊的最小尺寸。
- 關鍵字參數
dtype (
torch.dtype, optional) – 返回張量的所需資料類型。預設值：如果為 None，則從values推斷資料類型。layout (
torch.layout, required) – 返回張量的所需佈局：torch.sparse_csr、torch.sparse_csc、torch.sparse_bsr或torch.sparse_bsc。device (
torch.device, optional) – 返回張量的所需裝置。預設值：如果為 None，則使用預設張量類型的當前裝置（請參閱torch.set_default_device()）。device對於 CPU 張量類型將為 CPU，對於 CUDA 張量類型將為當前 CUDA 裝置。pin_memory (bool, optional) – 如果設定，返回的張量將分配在釘選記憶體中。僅適用於 CPU 張量。預設值：
False。requires_grad (bool, optional) – 是否應在返回的張量上記錄自動微分操作。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：
>>> compressed_indices = [0, 2, 4] >>> plain_indices = [0, 1, 0, 1] >>> values = [1, 2, 3, 4] >>> torch.sparse_compressed_tensor(torch.tensor(compressed_indices, dtype=torch.int64), ... torch.tensor(plain_indices, dtype=torch.int64), ... torch.tensor(values), dtype=torch.double, layout=torch.sparse_csr) tensor(crow_indices=tensor([0, 2, 4]), col_indices=tensor([0, 1, 0, 1]), values=tensor([1., 2., 3., 4.]), size=(2, 2), nnz=4, dtype=torch.float64, layout=torch.sparse_csr)
