torch.sparse_csr_tensor¶
- torch.sparse_csr_tensor(crow_indices, col_indices, values, size=None, *, dtype=None, device=None, pin_memory=False, requires_grad=False, check_invariants=None) Tensor¶
構建一個 CSR (Compressed Sparse Row，壓縮稀疏列) 格式的稀疏張量，並在給定的
crow_indices和col_indices指定值。 CSR 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注意事項。注意
如果未指定
device參數，則給定的values和索引張量的 device 必須匹配。 但是，如果指定了該參數，則輸入張量將轉換為給定的 device，進而決定構造的稀疏張量的 device。- 參數
crow_indices (array_like) – (B+1) 維陣列，大小為
(*batchsize, nrows + 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 col_indices 中的索引，取決於給定列的起始位置。 張量中每個連續數字減去它前面的數字表示給定列中的元素數。col_indices (array_like) – values 中每個元素的列坐標。(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，則會將大小推斷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) – 返回張量的所需資料類型。 預設值：如果為 None，則從values推斷資料類型。device (
torch.device, optional) – 返回張量的所需 device。 預設值：如果為 None，則使用預設張量類型的目前 device (請參閱torch.set_default_device())。device對於 CPU 張量類型將是 CPU，而對於 CUDA 張量類型將是目前的 CUDA device。pin_memory (bool, optional) – 如果設定，返回的張量將在鎖頁記憶體中分配。 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量。 預設值：由
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回，初始值為 False。
- 範例：
>>> crow_indices = [0, 2, 4] >>> col_indices = [0, 1, 0, 1] >>> values = [1, 2, 3, 4] >>> torch.sparse_csr_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, 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)
