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¶
使用在給定
crow_indices和col_indices處指定的二維塊構造 BSR (塊壓縮稀疏行) 格式的稀疏張量。BSR 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 關於索引資料型別的說明。注意
如果未指定
device引數，則給定的values和索引張量的裝置必須匹配。但是，如果指定了該引數，則輸入張量將被轉換到給定的裝置，並進而確定構建的稀疏張量的裝置。- 引數
crow_indices (類似陣列) – 大小為
(*batchsize, nrowblocks + 1)的 (B+1) 維陣列。每個批次的最後一個元素是非零塊的數量。這個張量根據給定行塊的起始位置，編碼了 values 和 col_indices 中的塊索引。張量中每個連續的數字減去前一個數字，表示給定行中的塊數量。col_indices (類似陣列) – values 中每個塊的列塊座標。與 values 長度相同的 (B+1) 維張量。
values (類似陣列) – 張量的初始值。可以是列表、元組、NumPy
ndarray、標量以及表示 (1 + 2 + K) 維張量的其他型別，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塊的最小尺寸。
- 關鍵字引數
dtype (
torch.dtype, optional) – 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, optional) – 返回張量所需的裝置。預設值：如果為 None，則使用預設張量型別的當前裝置 (參見torch.set_default_device())。對於 CPU 張量型別，device將是 CPU；對於 CUDA 張量型別，將是當前的 CUDA 裝置。pin_memory (bool, optional) – 如果設定為 True，返回的張量將被分配到鎖頁記憶體中。僅適用於 CPU 張量。預設值：
False。requires_grad (bool, optional) – 如果 autograd 應該記錄返回張量上的操作。預設值：
False。check_invariants (bool, optional) – 是否檢查稀疏張量的不變數。預設值：由
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回的值，初始為 False。
- 示例：
>>> 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)
