[pytorch笔记] scatter_的使用

scatter_(input, dim, index, src)将src中数据根据index中的索引按照dim的方向填进input中.

1 >>> x = torch.rand(2, 5)
2 >>> x
3 
4  0.4319  0.6500  0.4080  0.8760  0.2355
5  0.2609  0.4711  0.8486  0.8573  0.1029
6 [torch.FloatTensor of size 2x5]

1) dim = 0，分别对每列填充：

>>> torch.zeros(3, 5).scatter_(0, torch.LongTensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)

 0.4319  0.4711  0.8486  0.8760  0.2355
 0.0000  0.6500  0.0000  0.8573  0.0000
 0.2609  0.0000  0.4080  0.0000  0.1029
[torch.FloatTensor of size 3x5]

实现原理：

对于LoneTensor内的矩阵，暂且称为 tmp = [[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]；将最终的 3*5的矩阵，暂且称为result。result初始为全0，需要经过scatter_处理。

举例：

对于tmp[0][0] = 0  -> 取x中x[0][0] = 0.4319，将其插入到result第0列的第0个位置，result[0][0] = 0.4319；

对于tmp[0][1] = 1  -> 取x中x[0][1] = 0.6500，将其插入到result第1列的第1个位置，result[1][1] = 0.6500；

对于tmp[0][2] = 2  -> 取x中x[0][1] = 0.4080，将其插入到result第2列的第2个位置，result[2][2] = 0.4080；

......

对于tmp[1][0] = 2  -> 取x中x[1][0] = 0.2609，将其插入到result第0列的第2个位置，result[2][0] = 0.2609；

对于tmp[1][1] = 0  -> 取x中x[1][1] = 0.4711，将其插入到result第1列的第0个位置，result[0][1] = 0.4711。

......

2) dim = 1，分别对每行填充

1 >>> z = torch.zeros(2, 4).scatter_(1, torch.LongTensor([[2], [3]]), 1.23)
2 >>> z
3 
4  0.0000  0.0000  1.2300  0.0000
5  0.0000  0.0000  0.0000  1.2300
6 [torch.FloatTensor of size 2x4]

tmp = [[2], [3]]

tmp[0][0] = 2 -> 取x中x[0][0] = 0.4319，将其插入到result第0行的第2个位置，result[0][2] = 0.4319；

......

scatter() 和 scatter_() 的作用是一样的，只不过 scatter() 不会直接修改原来的 Tensor，而 scatter_() 会

PyTorch 中，一般函数加下划线代表直接在原来的 Tensor 上修改

scatter(dim, index, src) 的参数有 3 个

• dim：沿着哪个维度进行索引
• index：用来 scatter 的元素索引
• src：用来 scatter 的源元素，可以是一个标量或一个张量

这个 scatter  可以理解成放置元素或者修改元素

简单说就是通过一个张量 src  来修改另一个张量，哪个元素需要修改、用 src 中的哪个元素来修改由 dim 和 index 决定

官方文档给出了 3维张量 的具体操作说明，如下所示

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

exmaple：

x = torch.rand(2, 5)

#tensor([[0.1940, 0.3340, 0.8184, 0.4269, 0.5945],
#        [0.2078, 0.5978, 0.0074, 0.0943, 0.0266]])

torch.zeros(3, 5).scatter_(0, torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)

#tensor([[0.1940, 0.5978, 0.0074, 0.4269, 0.5945],
#        [0.0000, 0.3340, 0.0000, 0.0943, 0.0000],
#        [0.2078, 0.0000, 0.8184, 0.0000, 0.0266]])

具体地说，我们的 index 是 torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]])，一个二维张量，下面用图简单说明

我们是 2维 张量，一开始进行 self[index[0][0]][0]self[index[0][0]][0]，其中 index[0][0]index[0][0] 的值是0，所以执行 self[0][0]=x[0][0]=0.1940self[0][0]=x[0][0]=0.1940 

self[index[i][j]][j]=src[i][j]self[index[i][j]][j]=src[i][j]

再比如self[index[1][0]][0]self[index[1][0]][0]，其中 index[1][0]index[1][0] 的值是2，所以执行 self[2][0]=x[1][0]=0.2078self[2][0]=x[1][0]=0.2078 

src 除了可以是张量外，也可以是一个标量

example：

torch.zeros(3, 5).scatter_(0, torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), 7)

#tensor([[7., 7., 7., 7., 7.],
#        [0., 7., 0., 7., 0.],
#        [7., 0., 7., 0., 7.]]

scatter() 一般可以用来对标签进行 one-hot 编码，这就是一个典型的用标量来修改张量的一个例子

example：

class_num = 10
batch_size = 4
label = torch.LongTensor(batch_size, 1).random_() % class_num
#tensor([[6],
#        [0],
#        [3],
#        [2]])
torch.zeros(batch_size, class_num).scatter_(1, label, 1)
#tensor([[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
#        [1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
#        [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
#        [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.]])

参考链接：

https://www.cnblogs.com/shiyublog/p/10924287.html

https://www.cnblogs.com/dogecheng/p/11938009.html