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¶
构建一个具有指定值在给定
crow_indices和col_indices的 CSR（压缩稀疏行）稀疏张量。在 CSR 格式下进行稀疏矩阵乘法操作通常比 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，则输入张量将被转换为指定的设备，进而确定构造的稀疏张量的设备。- 参数:
crow_indices (array_like) – (B+1)-维数组，大小为
(*batchsize, nrows + 1)。每个批次的最后一个元素是非零元素的数量。这个张量根据给定行的起始位置，在 values 和 col_indices 中编码索引值。张量中连续的数字减去前面的数字表示给定行中的元素数量。col_indices (array_like) – values 中每个元素的列坐标。(B+1)-维张量，长度与 values 相同。
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:
dtype (
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。device (
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。check_invariants (bool，可选) – 如果检查稀疏张量不变量。默认：如
torch.sparse.check_sparse_tensor_invariants.is_enabled()返回，最初为 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)
