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

構建一個在 CSR（壓縮稀疏行） 格式下的稀疏張量，使用指定的 values 和給定的 crow_indices 以及 col_indices。CSR 格式的稀疏矩陣乘法運算通常比 COO 格式的稀疏張量運算更快。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 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為給定的裝置，進而決定構建的稀疏張量的裝置。

引數

• 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，取決於給定行的起始位置。張量中每個後繼數字減去其前一個數字表示給定行中的元素數量。

• col_indices (array_like) – values 中每個元素的列座標。(B+1) 維張量，其長度與 values 相同。

• values (array_list) – 張量的初始值。可以是列表、元組、NumPy ndarray、標量以及表示 (1+K) 維張量的其他型別，其中 K 是密集維度數量。

• size (list, tuple, torch.Size, 可選) – 稀疏張量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小將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, 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()）。device 對於 CPU 張量型別將是 CPU，對於 CUDA 張量型別將是當前的 CUDA 裝置。

• pin_memory (bool, 可選) – 如果設定，返回的張量將被分配到鎖定記憶體（pinned memory）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性（invariants）。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, 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)