torch.Tensor.scatter_add_

Tensor.scatter_add_(dim, index, src) → Tensor

将张量 src 中的所有值按 index 张量中指定的索引添加到 self 中，类似于 scatter_() 。对于 src 中的每个值，它被添加到由 src 中的索引指定的 self 中的索引，以及由 index 中的对应值指定的 dimension != dim 中的索引。

对于一个三维张量， self 的更新如下：

self[index[i][j][k]][j][k] += src[i][j][k]  # if dim == 0
self[i][index[i][j][k]][k] += src[i][j][k]  # if dim == 1
self[i][j][index[i][j][k]] += src[i][j][k]  # if dim == 2

self 、 index 和 src 应具有相同的维度。还要求对于所有维度 d 的 index.size(d) <= src.size(d) ，以及对于所有维度 d != dim 的 index.size(d) <= self.size(d) 。注意， index 和 src 不能进行广播。

注意

当在 CUDA 设备上给定张量时，此操作可能表现出非确定性。有关更多信息，请参阅可重现性。

注意

仅实现了 src.shape == index.shape 的反向传播。

参数:

• dim（整数）- 指索引的轴

• 索引（LongTensor）- 要分散和添加的元素的索引，可以是空的，也可以与 src 的维度相同。当为空时，该操作返回 self 不变。

• 源（张量）- 要散列并添加的源元素

示例：

>>> src = torch.ones((2, 5))
>>> index = torch.tensor([[0, 1, 2, 0, 0]])
>>> torch.zeros(3, 5, dtype=src.dtype).scatter_add_(0, index, src)
tensor([[1., 0., 0., 1., 1.],
        [0., 1., 0., 0., 0.],
        [0., 0., 1., 0., 0.]])
>>> index = torch.tensor([[0, 1, 2, 0, 0], [0, 1, 2, 2, 2]])
>>> torch.zeros(3, 5, dtype=src.dtype).scatter_add_(0, index, src)
tensor([[2., 0., 0., 1., 1.],
        [0., 2., 0., 0., 0.],
        [0., 0., 2., 1., 1.]])