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¶
建構一個 CSC (壓縮稀疏列) 格式的稀疏張量，在指定的
ccol_indices和row_indices上具有指定的值。CSC 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，如果指定了該參數，則輸入張量將被轉換為給定的裝置，進而確定所建構的稀疏張量的裝置。- 參數
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。此張量編碼了 values 和 row_indices 中的索引，具體取決於給定列的起始位置。張量中每個連續的數字減去它之前的數字表示給定列中的元素數量。row_indices (array_like) – values 中每個元素的列座標。 (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、純量以及其他表示 (1+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, ncols, *densesize)。 如果未提供，則將推斷大小為足以容納所有非零元素的最小大小。
- 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，返回的張量將分配在鎖頁記憶體中。 僅適用於 CPU 張量。 預設值：
False。requires_grad (bool, optional) – 是否應由 autograd 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量。 預設值：由
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回，最初為 False。
- 範例：
>>> 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)
