Python PyTorch sparse_coo_tensor用法及代码示例

本文简要介绍python语言中 torch.sparse_coo_tensor 的用法。

用法:

torch.sparse_coo_tensor(indices, values, size=None, *, dtype=None, device=None, requires_grad=False) → Tensor

参数：

• indices(array_like) -张量的初始数据。可以是列表、元组、NumPy ndarray、标量和其他类型。将在内部转换为 torch.LongTensor。索引是矩阵中非零值的坐标，因此应该是二维的，其中第一维是张量维度的数量，第二维是非零值的数量。

• values(array_like) -张量的初始值。可以是列表、元组、NumPy ndarray、标量和其他类型。

• size(列表、元组或torch.Size， 可选的) -稀疏张量的大小。如果未提供，则大小将被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， 可选的) -返回张量的所需数据类型。默认值：如果无，则从 values 推断数据类型。

• device(torch.device， 可选的) -返回张量的所需设备。默认值：如果没有，则使用当前设备作为默认张量类型(请参阅 torch.set_default_tensor_type() )。对于 CPU 张量类型，device 将是 CPU；对于 CUDA 张量类型，device 将是当前的 CUDA 设备。

• requires_grad(bool,可选的) -如果 autograd 应该在返回的张量上记录操作。默认值：False。

在给定的 indices 处构造一个具有指定值的 COO(rdinate) 格式的稀疏张量。

注意

此函数返回一个未合并的张量。

例子：

>>> i = torch.tensor([[0, 1, 1],
...                   [2, 0, 2]])
>>> v = torch.tensor([3, 4, 5], dtype=torch.float32)
>>> torch.sparse_coo_tensor(i, v, [2, 4])
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3., 4., 5.]),
       size=(2, 4), nnz=3, layout=torch.sparse_coo)

>>> torch.sparse_coo_tensor(i, v)  # Shape inference
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3., 4., 5.]),
       size=(2, 3), nnz=3, layout=torch.sparse_coo)

>>> torch.sparse_coo_tensor(i, v, [2, 4],
...                         dtype=torch.float64,
...                         device=torch.device('cuda:0'))
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3., 4., 5.]),
       device='cuda:0', size=(2, 4), nnz=3, dtype=torch.float64,
       layout=torch.sparse_coo)

# Create an empty sparse tensor with the following invariants:
#   1. sparse_dim + dense_dim = len(SparseTensor.shape)
#   2. SparseTensor._indices().shape = (sparse_dim, nnz)
#   3. SparseTensor._values().shape = (nnz, SparseTensor.shape[sparse_dim:])
#
# For instance, to create an empty sparse tensor with nnz = 0, dense_dim = 0 and
# sparse_dim = 1 (hence indices is a 2D tensor of shape = (1, 0))
>>> S = torch.sparse_coo_tensor(torch.empty([1, 0]), [], [1])
tensor(indices=tensor([], size=(1, 0)),
       values=tensor([], size=(0,)),
       size=(1,), nnz=0, layout=torch.sparse_coo)

# and to create an empty sparse tensor with nnz = 0, dense_dim = 1 and
# sparse_dim = 1
>>> S = torch.sparse_coo_tensor(torch.empty([1, 0]), torch.empty([0, 2]), [1, 2])
tensor(indices=tensor([], size=(1, 0)),
       values=tensor([], size=(0, 2)),
       size=(1, 2), nnz=0, layout=torch.sparse_coo)