torch.sparse_csr_tensor

torch.sparse_csr_tensor(crow_indices, col_indices, values, size=None, *, dtype=None, device=None, requires_grad=False, check_invariants=None) → 张量

构建一个CSR（压缩稀疏行）格式的稀疏张量，并在给定的crow_indices和col_indices处指定值。CSR格式中的稀疏矩阵乘法操作通常比COO格式中的稀疏张量操作更快。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

• 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。该张量根据给定行的起始位置对 values 和 col_indices 中的索引进行编码。张量中每个连续数字减去前一个数字表示 给定行中的元素数量。

• col_indices (array_like) – 每个元素在值中的列坐标。(B+1)维张量，长度与值相同。

• 值 (数组列表) – 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（列表，元组，torch.Size，可选）– 稀疏张量的大小：(*batchsize, nrows, ncols, *densesize)。如果未提供，大小将被推断为足以容纳所有非零元素的最小大小。

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::

>>> 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)