torch.sparse_bsc_tensor

torch.sparse_bsc_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 BSC (塊壓縮稀疏列) 格式的稀疏張量，在給定的 ccol_indices 和 row_indices 處具有指定的 2 維塊。BSC 格式的稀疏矩陣乘法運算通常比 COO 格式的稀疏張量更快。請務必檢視 有關索引資料型別的注意事項。

注意

如果未指定 device 引數，則給定 values 和索引張量(s) 的裝置必須匹配。但是，如果指定了該引數，則輸入張量將轉換為給定的裝置，並由此確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, ncolblocks + 1)。每個 batch 的最後一個元素是非零元素的數量。此張量根據給定列的起始位置，編碼 values 和 row_indices 中的索引。張量中每個連續的數字減去其前面的數字，表示給定列中的元素數量。

• row_indices (array_like) – values 中每個塊的行塊座標。(B+1)維張量，與 values 具有相同長度。

• values (array_list) – 張量的初始塊。可以是列表、元組、NumPy ndarray 以及表示 (1 + 2 + K)維張量的其他型別，其中 K 是稠密維度數量。

• size (list, tuple, torch.Size, 可選) – 稀疏張量的大小：(*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize) 如果未提供，大小將被推斷為足以容納所有非零塊的最小大小。

關鍵字引數

• dtype (torch.dtype, 可選) – 返回張量所需的資料型別。預設值：如果為 None，則從 values 推斷資料型別。

• device (torch.device, 可選) – 返回張量所需的裝置。預設值：如果為 None，則對預設張量型別使用當前裝置（參見 torch.set_default_device()）。對於 CPU 張量型別，device 將是 CPU；對於 CUDA 張量型別，則將是當前 CUDA 裝置。

• pin_memory (bool, 可選) – 如果設定為 True，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, 可選) – 如果 autograd 應該記錄返回張量上的操作。預設值：False。

• check_invariants (bool, 可選) – 是否檢查稀疏張量不變數。預設值：與 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回的值一致，初始為 False。

示例：

>>> ccol_indices = [0, 1, 2]
>>> row_indices = [0, 1]
>>> values = [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]
>>> torch.sparse_bsc_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, 1, 2]),
       row_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_bsc)