scatter¶

paddle. scatter ( x, index, updates, overwrite=True, name=None ) [源代码] ¶

通过基于 updates 来更新选定索引 index 上的输入来获得输出。具体行为如下：

          >>> import paddle
 >>> #input:
 >>> x = paddle.to_tensor([[1, 1], [2, 2], [3, 3]], dtype='float32')
 >>> index = paddle.to_tensor([2, 1, 0, 1], dtype='int64')
 >>> # shape of updates should be the same as x
 >>> # shape of updates with dim > 1 should be the same as input
 >>> updates = paddle.to_tensor([[1, 1], [2, 2], [3, 3], [4, 4]], dtype='float32')
 >>> overwrite = False
 >>> # calculation:
 >>> if not overwrite:
 ...     for i in range(len(index)):
 ...         x[index[i]] = paddle.zeros([2])
 >>> for i in range(len(index)):
 ...     if (overwrite):
 ...         x[index[i]] = updates[i]
 ...     else:
 ...         x[index[i]] += updates[i]
 >>> # output:
 >>> out = paddle.to_tensor([[3, 3], [6, 6], [1, 1]])
 >>> print(out.shape)
 [3, 2]

        

Notice： 因为 updates 的应用顺序是不确定的，因此，如果索引 index 包含重复项，则输出将具有不确定性。

参数¶

x (Tensor) - ndim> = 1 的输入 N-D Tensor。数据类型可以是 float32，float64。

index （Tensor）- 一维或者零维 Tensor。数据类型可以是 int32，int64。 index 的长度不能超过 updates 的长度，并且 index 中的值不能超过输入的长度。

updates （Tensor）- 根据 index 使用 update 参数更新输入 x。当 index 为一维 tensor 时，updates 形状应与输入 x 相同，并且 dim>1 的 dim 值应与输入 x 相同。当 index 为零维 tensor 时，updates 应该是一个 (N-1)-D 的 Tensor，并且 updates 的第 i 个维度应该与 x 的 i+1 个维度相同。

overwrite （bool，可选）- 指定索引 index 相同时，更新输出的方式。如果为 True，则使用覆盖模式更新相同索引的输出，如果为 False，则使用累加模式更新相同索引的输出。默认值为 True。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回¶

Tensor，与 x 有相同形状和数据类型。

代码示例¶

           >>> import paddle

 >>> x = paddle.to_tensor([[1, 1], [2, 2], [3, 3]], dtype='float32')
 >>> index = paddle.to_tensor([2, 1, 0, 1], dtype='int64')
 >>> updates = paddle.to_tensor([[1, 1], [2, 2], [3, 3], [4, 4]], dtype='float32')

 >>> output1 = paddle.scatter(x, index, updates, overwrite=False)
 >>> print(output1)
 Tensor(shape=[3, 2], dtype=float32, place=Place(cpu), stop_gradient=True,
 [[3., 3.],
  [6., 6.],
  [1., 1.]])

 >>> output2 = paddle.scatter(x, index, updates, overwrite=True)
 >>> # CPU device:
 >>> # [[3., 3.],
 >>> #  [4., 4.],
 >>> #  [1., 1.]]
 >>> # GPU device maybe have two results because of the repeated numbers in index
 >>> # result 1:
 >>> # [[3., 3.],
 >>> #  [4., 4.],
 >>> #  [1., 1.]]
 >>> # result 2:
 >>> # [[3., 3.],
 >>> #  [2., 2.],
 >>> #  [1., 1.]]

         

使用本API的教程文档¶

PyTorch 写法，dim=0