Python PyTorch sparse_csr_tensor用法及代码示例

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

用法:

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

参数：

• crow_indices(array_like) -大小为 size[0] + 1 的一维数组。最后一个元素是非零的数量。此张量根据给定行的开始位置对值和col_indices 中的索引进行编码。张量中的每个连续数字减去它之前的数字表示给定行中的元素数。

• col_indices(array_like) -values 中每个元素的列坐标。与值具有相同长度的严格一维张量。

• values(array_list) -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，torch.Size， 可选的) -稀疏张量的大小。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。

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 crow_indices 和 col_indices 处使用指定值构造 CSR(压缩稀疏行)中的稀疏张量。 CSR 格式的稀疏矩阵乘法运算通常比 COO 格式的稀疏张量更快。让您看一下关于索引数据类型的注释。

例子：：

>>> 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)