torch.Tensor.scatter_add_

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

将张量 src 中的所有值添加到 self 中，索引在 index 张量中指定，类似于 scatter_()。对于 src 中的每个值，它将被添加到 self 中的索引，该索引由 src 中的索引指定，用于 dimension != dim，并由 index 中的对应值指定，用于 dimension = dim。

对于一个 3 维张量，self 将更新为

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 应具有相同的维度数量。还需要 index.size(d) <= src.size(d) 对于所有维度 d，并且 index.size(d) <= self.size(d) 对于所有维度 d != dim。请注意，index 和 src 不进行广播。

注意

此操作在 CUDA 设备上给出张量时可能表现出非确定性行为。有关详细信息，请参阅 可重复性。

注意

反向传播仅在 src.shape == index.shape 时实现。

参数

• dim (int) – 要索引的轴

• index (LongTensor) – 要散列和添加的元素的索引，可以为空或与 src 的维度相同。如果为空，则操作将返回未更改的 self。

• src (Tensor) – 要散列和添加的源元素

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.]])