Table of Contents
Shortcuts

torch.sparse_bsc_tensor

torch.sparse_bsc_tensor(ccol_indices, row_indices, values, size=None, *, dtype=None, device=None, requires_grad=False, check_invariants=None) → 张量

构建一个BSC（块压缩稀疏列）格式的稀疏张量，在给定的ccol_indices和row_indices处指定二维块。BSC格式的稀疏矩阵乘法操作通常比COO格式的稀疏张量更快。请查看关于索引数据类型的说明。

注意

如果未指定 device 参数，则给定的 values 和索引张量的设备必须匹配。然而，如果指定了该参数，输入张量将被转换到指定的设备，并由此确定构造的稀疏张量的设备。

Parameters

  • ccol_indices (array_like) – (B+1)-维数组，大小为 (*batchsize, ncolblocks + 1)。每个批次的最后一个元素是 非零元素的数量。这个张量编码了在值和行索引中的索引，取决于给定列的开始位置。张量中每个连续的数字减去前一个数字表示给定列中的元素数量。

  • row_indices (array_like) – 每个块在值中的行块坐标。(B+1)维张量，长度与值相同。

  • 值 (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，大小将推断为足以容纳所有非零块的最小大小。

Keyword Arguments

  • dtype (torch.dtype, 可选) – 返回张量的所需数据类型。默认值：如果为 None，则从 values 推断数据类型。

  • 设备 (torch.device, 可选) – 返回张量所需的设备。默认值：如果为 None，则使用默认张量类型的当前设备（参见 torch.set_default_device()）。device 将是 CPU 张量类型的 CPU，以及 CUDA 张量类型的当前 CUDA 设备。

  • requires_grad (布尔值, 可选) – 如果 autograd 应该记录对返回张量的操作。默认值：False。

  • check_invariants (bool, 可选) – 如果检查稀疏张量不变量。 默认值：由 torch.sparse.check_sparse_tensor_invariants.is_enabled() 返回， 最初为 False。

Example::
>>> 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)
优云智算