torch.Tensor.scatter_add_

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

Добавляет все значения из тензора src в self по индексам, указанным в тензоре index аналогично scatter_(). Для каждого значения в src, оно добавляется к элементу в self по индексу, указанному в src для dimension != dim и соответствующему значению в index для dimension = dim.

Для 3-мерного тензора self обновляется следующим образом:

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 и src должны иметь одинаковое количество измерений. Также требуется, чтобы index.size(d) <= src.size(d) для всех измерений d, и index.size(d) <= self.size(d) для всех измерений d != dim. Обратите внимание, что index и src не ведут себя как широковещательные (broadcast).

Примечание

Данная операция может вести себя недетерминированно при использовании тензоров на устройстве CUDA. Подробности см. в Разделе по воспроизводимости.

Примечание

Обратный проход (backward pass) реализован только для src.shape == index.shape.

Параметры

• dim (int) – ось для индексирования
• index (LongTensor) – индексы элементов для разброса (scatter) и сложения, могут быть пустыми или иметь такую же размерность, как src. При пустом значении операция возвращает self без изменений.
• src (Tensor) – источник элементов для разброса (scatter) и сложения

Пример:

>>> 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.]])