torch.sparse_csc_tensor

torch.sparse_csc_tensor(ccol_indices, row_indices, values, size=None, *, dtype=None, device=None, requires_grad=False) → Tensor

Создаёт разреженный тензор в формате CSC (Compressed Sparse Column) со значениями в заданных ccol_indices и row_indices. Операции умножения разреженных матриц в формате CSC обычно быстрее, чем для разреженных тензоров в формате COO. Обратите внимание на примечание о типе данных индексов.

Параметры:

• ccol_indices (array_like) – (B+1)-мерный массив размером (*batchsize, ncols + 1). Последний элемент каждого батча — количество ненулевых элементов. Этот тензор кодирует индекс в значениях и row_indices в зависимости от того, с чего начинается данный столбец. Каждое последующее число в тензоре, вычтенное из предыдущего, обозначает количество элементов в данном столбце.
• row_indices (array_like) – Строковые координаты каждого элемента в значениях. (B+1)-мерный тензор той же длины, что и values.
• values (array_list) – Начальные значения для тензора. Может быть списком, кортежем, массивом NumPy ndarray, скаляром и другими типами, представляющими (1+K)-мерный тензор, где K — количество плотных измерений.
• size (list, tuple, torch.Size, optional) – Размеры разреженного тензора: (*batchsize, nrows, ncols, *densesize). Если не указано, размер будет определён как минимальный размер, достаточный для размещения всех ненулевых элементов.

Ключевые аргументы:

• dtype (torch.dtype, optional) – желаемый тип данных возвращаемого тензора. По умолчанию: если None, тип данных определяется из values.
• device (torch.device, optional) – желаемое устройство возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_tensor_type()). device будет CPU для типов тензоров CPU и текущим устройством CUDA для типов тензоров CUDA.
• requires_grad (bool, optional) – Если автограду следует записывать операции над возвращаемым тензором. По умолчанию: False.

Пример::

>>> ccol_indices = [0, 2, 4]
>>> row_indices = [0, 1, 0, 1]
>>> values = [1, 2, 3, 4]
>>> torch.sparse_csc_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, 2, 4]),
       row_indices=tensor([0, 1, 0, 1]),
       values=tensor([1., 2., 3., 4.]), size=(2, 2), nnz=4,
       dtype=torch.float64, layout=torch.sparse_csc)