torch.sparse_csr_tensor

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

Создаёт разреженный тензор в формате CSR (Compressed Sparse Row) со значениями в заданных crow_indices и col_indices. Операции умножения разреженных матриц в формате CSR, как правило, быстрее, чем для разреженных тензоров в формате COO. Обратите внимание на примечание о типе данных индексов.

Параметры:

• crow_indices (array_like) – Массив размера (*batchsize, nrows + 1). Последний элемент каждого пакета — количество ненулевых элементов. Этот тензор кодирует индексы в values и col_indices в зависимости от того, где начинается заданная строка. Каждое последующее число в тензоре, вычитаемое из предыдущего, обозначает количество элементов в данной строке.
• col_indices (array_like) – Столбцовые координаты каждого элемента в values. (B+1)-мерный тензор с длиной, равной длине values.
• values (array_list) – Начальные значения для тензора. Может быть списком, кортежем, NumPy ndarray, скаляром и другими типами, которые представляют (1+K)-мерный тензор, где K — число плотных измерений.
• size (list, tuple, torch.Size, optional) – Размер разреженного тензора: (*batchsize, nrows, ncols, *densesize). Если не указан, размер будет определён как минимальный размер, достаточный для хранения 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 тензоров на CPU и текущее CUDA-устройство для тензоров на CUDA.
• requires_grad (bool, optional) – Если автограду следует записывать операции над возвращаемым тензором. По умолчанию: False.

Пример::

>>> 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)