torch.triu_indices

torch.triu_indices(row, col, offset=0, *, dtype=torch.long, device='cpu', layout=torch.strided) → Tensor

Возвращает индексы верхней треугольной части матрицы row на col, в тензоре 2xN, где первая строка содержит координаты строк всех индексов, а вторая строка — координаты столбцов. Индексы упорядочены по строкам, а затем по столбцам.

Верхняя треугольная часть матрицы определяется как элементы на и выше диагонали.

Аргумент offset управляет тем, какую диагональ учитывать. Если offset = 0, сохраняются все элементы на и выше главной диагонали. Положительное значение исключает столько же диагоналей, расположенных выше главной диагонали, и аналогично отрицательное значение включает столько же диагоналей, расположенных ниже главной диагонали. Главная диагональ — это набор индексов $\lbrace (i, i) \rbrace$ для $i \in [0, \min\{d_{1}, d_{2}\} - 1]$, где $d_{1}, d_{2}$ — размеры матрицы.

Примечание

При выполнении на CUDA, row * col должно быть меньше $2^{59}$, чтобы избежать переполнения при вычислении.

Параметры:

• row (int) – количество строк в матрице 2-D.
• col (int) – количество столбцов в матрице 2-D.
• offset (int) – смещение диагонали от главной диагонали. По умолчанию: если не указано, 0.

Аргументы ключевых слов:

• dtype (torch.dtype, необязательно) – желаемый тип данных возвращаемого тензора. По умолчанию: если None, torch.long.
• device (torch.device, необязательно) – желаемое устройство возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_tensor_type()). device будет процессором для типов тензоров на процессоре и текущим устройством CUDA для типов тензоров CUDA.
• layout (torch.layout, необязательно) – в настоящее время поддерживается только torch.strided.

Пример:

>>> a = torch.triu_indices(3, 3)
>>> a
tensor([[0, 0, 0, 1, 1, 2],
        [0, 1, 2, 1, 2, 2]])

>>> a = torch.triu_indices(4, 3, -1)
>>> a
tensor([[0, 0, 0, 1, 1, 1, 2, 2, 3],
        [0, 1, 2, 0, 1, 2, 1, 2, 2]])

>>> a = torch.triu_indices(4, 3, 1)
>>> a
tensor([[0, 0, 1],
        [1, 2, 2]])