PyTorch筆記之 scatter 函式

scatter()和scatter_()的作用是一樣的，只不過 scatter() 不會直接修改原來的 tensor，而 scatter_() 會

pytorch 中，一般函式加下劃線代表直接在原來的 tensor 上修改

這個 scatter  可以理解成放置元素或者修改元素

官方文件給出了 3維張量 的具體操作說明，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

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]])

我們是 2維 張量，一開始進行 $self[index[0][0]][0]$，其中 $index[0][0]$ 的值是0，所以執行 $self[0][0] = x[0][0] = 0.1940$ 

再比如$self[index[1][0]][0]$，其中 $index[1][0]$ 的值是2，所以執行 $self[2][0] = x[1][0] = 0.2078$ 

src 除了可以是張量外，也可以是乙個標量

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.]]

example：

class_num = 10batch_size = 4label = 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.]])

PyTorch學習筆記之Variable

深度學習的演算法本質上是通過反向傳播求導數，pytorch的autograd模組實現了此功能。autograd.variable是autograd中的核心類，它簡單封裝了tensor，並支援幾乎所有tensor的操作。tensor在被封裝為variable之後，可以呼叫它的.backward實現反向...

PyTorch筆記之scatter 函式的使用

scatter 和 程式設計客棧scatter 的作用是一樣的，只不過 scatter 不會直接修改原來的 tensor，而 scatter 會 pytorch 中，一般函式加下劃線代表直接在原來的 tensor 上修改 scatter dim,index,src 的引數有 3 個 這個 scatt...

Pytorch學習筆記之通過numpy實現線性擬合

通過使用numpy庫編寫簡單的gradient descent資料位於附件之中 import torch from torch import autograd import numpy as np import matplotlib.pyplot as plt torch關於求導的簡單運用 x to...