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

构建一个在给定 ccol_indices 和 row_indices 的指定值上的 CSC（压缩稀疏列）稀疏张量。通常情况下，CSC 格式的稀疏矩阵乘法操作比 COO 格式的稀疏张量更快。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，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, ncols + 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 (array_like) – 每个元素在 values 中的行坐标。与 values 长度相同的(B+1)维张量。

• values (array_list) – 张量的初始值。可以是列表、元组、NumPy ndarray ，标量以及其他表示(1+K)维张量的类型，其中 K 是密集维度的数量。

• size (list, tuple, torch.Size , optional) – 稀疏张量的大小： (*batchsize, nrows, ncols, *densesize) 。如果未提供，大小将推断为足以容纳所有非零元素的最小大小。

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，则使用当前设备进行默认张量类型（见 torch.set_default_device() ）。 device 将是 CPU 张量类型的 CPU，对于 CUDA 张量类型是当前 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, 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)