torch.Tensor.to_sparse¶
- Tensor.to_sparse(sparseDims) 张量¶
返回张量的稀疏副本。PyTorch支持稀疏张量在 坐标格式中。
- Parameters
sparseDims (int, 可选) – 在新稀疏张量中包含的稀疏维数
示例：
>>> d = torch.tensor([[0, 0, 0], [9, 0, 10], [0, 0, 0]]) >>> d tensor([[ 0, 0, 0], [ 9, 0, 10], [ 0, 0, 0]]) >>> d.to_sparse() tensor(indices=tensor([[1, 1], [0, 2]]), values=tensor([ 9, 10]), size=(3, 3), nnz=2, layout=torch.sparse_coo) >>> d.to_sparse(1) tensor(indices=tensor([[1]]), values=tensor([[ 9, 0, 10]]), size=(3, 3), nnz=1, layout=torch.sparse_coo)
- to_sparse(*, layout=None, blocksize=None, dense_dim=None) 张量
返回具有指定布局和块大小的稀疏张量。如果
self是分步的，可以指定稠密维度的数量，并创建一个混合稀疏张量，其中dense_dim个稠密维度和self.dim() - 2 - dense_dim个批次维度。注意
如果
self的布局和块大小参数与指定的布局和块大小匹配，则返回self。否则，返回self的稀疏张量副本。- Parameters
布局 (
torch.layout, 可选) – 所需的稀疏布局。可以是torch.sparse_coo,torch.sparse_csr,torch.sparse_csc,torch.sparse_bsr, 或torch.sparse_bsc。默认值：如果None,torch.sparse_coo。blocksize（列表，元组，
torch.Size，可选）– 生成的BSR或BSC张量的块大小。对于其他布局，指定不为None的块大小将导致RuntimeError异常。块大小必须是一个长度为两个的元组，使得其元素均匀地分割两个稀疏维度。dense_dim (int, 可选) – 生成的 CSR、CSC、BSR 或 BSC 张量的密集维度数量。此参数仅在
self是步幅张量时使用，并且必须是介于 0 和self张量维度减去二之间的值。
示例：
>>> x = torch.tensor([[1, 0], [0, 0], [2, 3]]) >>> x.to_sparse(layout=torch.sparse_coo) tensor(indices=tensor([[0, 2, 2], [0, 0, 1]]), values=tensor([1, 2, 3]), size=(3, 2), nnz=3, layout=torch.sparse_coo) >>> x.to_sparse(layout=torch.sparse_bsr, blocksize=(1, 2)) tensor(crow_indices=tensor([0, 1, 1, 2]), col_indices=tensor([0, 0]), values=tensor([[[1, 0]], [[2, 3]]]), size=(3, 2), nnz=2, layout=torch.sparse_bsr) >>> x.to_sparse(layout=torch.sparse_bsr, blocksize=(2, 1)) RuntimeError: Tensor size(-2) 3 needs to be divisible by blocksize[0] 2 >>> x.to_sparse(layout=torch.sparse_csr, blocksize=(3, 1)) RuntimeError: to_sparse for Strided to SparseCsr conversion does not use specified blocksize >>> x = torch.tensor([[[1], [0]], [[0], [0]], [[2], [3]]]) >>> x.to_sparse(layout=torch.sparse_csr, dense_dim=1) tensor(crow_indices=tensor([0, 1, 1, 3]), col_indices=tensor([0, 0, 1]), values=tensor([[1], [2], [3]]), size=(3, 2, 1), nnz=3, layout=torch.sparse_csr)