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

构建一个具有指定二维块在给定 ccol_indices 和 row_indices 的 BSC（块压缩稀疏列）稀疏张量。在 BSC 格式下的稀疏矩阵乘法操作通常比 COO 格式下的稀疏张量更快。请查看有关索引数据类型的说明。

注意

如果未指定 device 参数，则给定 values 和索引张量的设备必须匹配。然而，如果指定了该参数，则输入张量将被转换为指定的设备，进而确定构建的稀疏张量的设备。

参数:

• ccol_indices（数组类型）- 大小为 (*batchsize, ncolblocks + 1) 的(B+1)维数组。每个批次的最后一个元素是非零元素的数量。该张量根据给定列的起始位置编码索引值和 row_indices。张量中的每个连续数字减去前面的数字表示给定列中的元素数量。

• row_indices（数组类型）- values 中每个块的行块坐标。与 values 长度相同的(B+1)维张量。

• values（数组列表）- 张量的初始块。可以是列表、元组、NumPy ndarray 以及其他表示(1 + 2 + K)维张量的类型，其中 K 是密集维度的数量。

• 大小（列表、元组、 torch.Size ，可选）- 稀疏张量的尺寸： (*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize) 如果未提供，则将推断出足够容纳所有非零块的最小尺寸。

关键字参数:

• 数据类型（ torch.dtype ，可选）- 返回张量的期望数据类型。默认：如果为 None，则从 values 推断数据类型。

• 设备（ torch.device ，可选）- 返回张量的期望设备。默认：如果为 None，则使用当前设备的默认张量类型（见 torch.set_default_device() ）。对于 CPU 张量类型，将使用 CPU，对于 CUDA 张量类型，将使用当前 CUDA 设备。

• pin_memory (bool，可选) – 如果设置，返回的张量将在固定内存中分配。仅适用于 CPU 张量。默认： False 。

• requires_grad (bool，可选) – 如果 autograd 应记录对返回张量的操作。默认： False 。

• 检查不变量（bool，可选）- 如果检查稀疏张量的不变量。默认：如 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回，最初为 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)