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¶
構造一個 CSC (Compressed Sparse Column) 格式的稀疏張量，在給定的
ccol_indices和row_indices位置填充指定的值。CSC 格式的稀疏矩陣乘法運算通常比 COO 格式的稀疏張量運算快。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指定的裝置，並由此決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, ncols + 1)。每個批次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，編碼了values和row_indices中的索引。張量中每個後續數字減去前一個數字，表示給定列中的元素數量。row_indices (array_like) –
values中每個元素的行座標。(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、標量以及其他表示 (1+K) 維張量的型別，其中K是稠密維度數。size (list, tuple,
torch.Size, optional) – 稀疏張量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小將被推斷為足以容納所有非零元素的最小大小。
- 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（參閱torch.set_default_device()）。device對於 CPU 張量型別將是 CPU，對於 CUDA 張量型別將是當前 CUDA 裝置。pin_memory (布林值, 可選) – 如果設定，返回的張量將被分配到鎖頁（pinned）記憶體中。僅適用於 CPU 張量。預設值：
False。requires_grad (布林值, 可選) – 如果 autograd 應該記錄返回張量上的操作。預設值：
False。check_invariants (布林值, 可選) – 是否檢查稀疏張量不變數。預設值：由
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回的值，初始值為 False。
- 示例：
>>> 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)
