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BSC（块压缩稀疏列）格式的稀疏张量，并在给定的ccol_indices和row_indices位置指定2维块。在BSC格式下进行稀疏矩阵乘法操作通常比COO格式下的速度快。请参阅索引数据类型的注意事项。

注意

如果没有指定 device 参数，那么给定的 values 和索引张量必须具有相同的设备。如果指定了参数，则输入张量会被转换到指定的设备，并且会确定构造出来的稀疏张量的设备。

参数

• ccol_indices (array_like) – 尺寸为 (*batchsize, ncolblocks + 1) 的 (B+1) 维数组。每个批次的最后一个元素表示非零元素的数量。此张量编码了给定列开始时在 values 和 row_indices 中的位置索引。张量中连续数字之间的差值表示各列中的元素数量。

• row_indices (array_like) – 行块中每个块的坐标。这是一个与 values 长度相同且维度为 (B+1) 的张量。

• values (array_list) – 张量的初始值。可以是列表、元组、NumPy ndarray，或者其他表示 (1 + 2 + K) 维张量的数据类型，其中K 表示稠密维度的数量。

• size (列表、元组、torch.Size，可选) – 稀疏张量的大小： (*batchsize, nrows * blocksize[0], ncols * blocksize[1], *densesize)。如果未提供，默认会推断出一个足以容纳所有非零块的最小尺寸。

关键字参数

• dtype (torch.dtype, 可选) – 返回的张量的数据类型。默认情况下，如果为 None，则根据 values 推断数据类型。

• device (torch.device, 可选) – 返回张量所需的设备。默认情况下，如果未指定设备，则使用当前的默认张量类型设备（参见 torch.set_default_device())。对于 CPU 张量类型，默认设备为 CPU；对于 CUDA 张量类型，默认设备为当前的 CUDA 设备。

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

• requires_grad (bool, optional) – 是否启用自动求导记录返回的张量上的操作。默认值：False。

• check_invariants (bool, optional) – 是否检查稀疏张量的不变性。默认值由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回，初始为 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)