快捷導(dǎo)航

pytorch?tensor按廣播賦值scatter_函數(shù)的用法

更新時(shí)間：2023年06月14日 08:44:50 作者：城俊BLOG

這篇文章主要介紹了pytorch?tensor按廣播賦值scatter_函數(shù)的用法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

pytorch tensor按廣播賦值scatter函數(shù)

普通廣播

>>> import torch
>>> a = torch.tensor([[1,2,3],[4,5,6]])
# 和a shape相同，但是用0填充
>>> b = torch.full_like(a,0)
>>> c = torch.tensor([[0,0,1],[1,0,1]])
# 賦值索引
>>> c[:,0]
tensor([0, 1])
# 賦值語句：使用廣播機(jī)制進(jìn)行賦值
>>> b[range(n),c[:,0]] = 1
>>> b
tensor([[1, 0, 0],
? ? ? ? [0, 1, 0]])

為什么會(huì)出現(xiàn)這樣的結(jié)果？

賦值語句的意思是：

1.range(n)表示對(duì)b的所有行進(jìn)行賦值操作
2.c[:,0]] 表示執(zhí)行賦值操作的b的列索引，[0, 1] 表示第一行對(duì)索引為0的列進(jìn)行操作（賦值為1）；第二行對(duì)索引為1的列進(jìn)行操作（賦值為1）
3.最右邊的1表示對(duì)應(yīng)索引位置所賦的值

scatter函數(shù)

import torch
label = torch.zeros(3, 6) #首先生成一個(gè)全零的多維數(shù)組
print("label：",label)
a = torch.ones(3,5)
b = [[0,1,2],[0,1,3],[1,2,3]]
#這里需要解釋的是，b的行數(shù)要小于等于label的行數(shù)，列數(shù)要小于等于a的列數(shù)
print(a)
label.scatter_(1,torch.LongTensor(b),a)?
#參數(shù)解釋：‘1'：需要賦值的維度，是label的維度；‘torch.LongTensor(b)'：需要賦值的索引；‘a(chǎn)'：要賦的值
print("new_label: ",label)
label：?
tensor([[0., 0., 0., 0., 0., 0.],
? ? ? ? [0., 0., 0., 0., 0., 0.],
? ? ? ? [0., 0., 0., 0., 0., 0.]])
tensor([[1., 1., 1., 1., 1.],
? ? ? ? [1., 1., 1., 1., 1.],
? ? ? ? [1., 1., 1., 1., 1.]])
new_label: ?
tensor([[1., 1., 1., 0., 0., 0.],
? ? ? ? [1., 1., 0., 1., 0., 0.],
? ? ? ? [0., 1., 1., 1., 0., 0.]])

舉例

>>> b = torch.full_like(a,0)
>>> b
tensor([[0, 0, 0],
? ? ? ? [0, 0, 0]])
>>> c = torch.tensor([[0,0],[1,0]])
>>> c
tensor([[0, 0],
? ? ? ? [1, 0]])
# 1表示對(duì)b的列進(jìn)行賦值，以c的每一行的值作為b的列索引，一行一行地進(jìn)行賦值
# c第一行 [0,0] 表示分別將b的 第一行 第0列、第0列 元素賦值為1 （重復(fù)操作了）
# c第二行 [1,0] 表示 將b的 第1列、第0列 元素賦值為1 （逆序了）
# 上面的這兩個(gè)賦值操作其實(shí)有重復(fù)的、逆序的
>>> b.scatter_(1,torch.LongTensor(c),1)
>>> b
tensor([[1, 0, 0],
? ? ? ? [1, 1, 0]])

scatter()和scatter_()的作用和區(qū)別

scatter和scatter_函數(shù)原型如下

Tensor.scatter_(dim, index, src, reduce=None)->Tensor
scatter(input, dim, index, src)->Tensor

函數(shù)作用是將src中的數(shù)據(jù)按照dim中指定的維度和index中的索引寫入self中。

dim(int) - 操作的維度
index(LongTensor) - 填充依據(jù)的索引，
src(Tensor of float) - 操作的src數(shù)據(jù)
reduce(str, optional) - reduce選擇運(yùn)算方式，有’add’和’mutiply’方式, 默認(rèn)為替換 dim(int)

在scatter中self指返回的tensor，scatter_中self指輸入的tensor自身。

對(duì)于一個(gè)三維張量，self更新結(jié)果如下

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

使用示例

>>> src = torch.arange(1, 11).reshape((2, 5))
>>> src
tensor([[ 1, ?2, ?3, ?4, ?5],
? ? ? ? [ 6, ?7, ?8, ?9, 10]])
>>> index = torch.tensor([[0, 1, 2, 0]])
>>> torch.zeros(3, 5, dtype=src.dtype).scatter_(0, index, src)
tensor([[1, 0, 0, 4, 0],
? ? ? ? [0, 2, 0, 0, 0],
? ? ? ? [0, 0, 3, 0, 0]])

dim=0, 說明按照行賦值，index[0][1]=1, 代表更改input中的第1行，src[0][1]=2，因此更改input中[1][1]中的元素為2

>>> index = torch.tensor([[0, 1, 2], [0, 1, 4]])
>>> torch.zeros(3, 5, dtype=src.dtype).scatter_(1, index, src)
tensor([[1, 2, 3, 0, 0],
? ? ? ? [6, 7, 0, 0, 8],
? ? ? ? [0, 0, 0, 0, 0]])

dim，說明按照列賦值，index[0][1]=1, 代表更改input中的第1列，src[0][1]=2, 更改input中[0][1]元素為2

>>> torch.full((2, 4), 2.).scatter_(1, torch.tensor([[2], [3]]),
... ? ? ? ? ? ?1.23, reduce='multiply')
tensor([[2.0000, 2.0000, 2.4600, 2.0000],
? ? ? ? [2.0000, 2.0000, 2.0000, 2.4600]])
>>> torch.full((2, 4), 2.).scatter_(1, torch.tensor([[2], [3]]),
... ? ? ? ? ? ?1.23, reduce='add')
tensor([[2.0000, 2.0000, 3.2300, 2.0000],
? ? ? ? [2.0000, 2.0000, 2.0000, 3.2300]])

scatter的應(yīng)用， one-hot編碼

def one_hot(x, n_class, dtype=torch.float32):
? ? # X shape: (batch), output shape: (batch, n_class)
? ? x=x.long()
? ? res=torch.zeros(x.shape[0], n_class, dtype=dtype, device=x.device) # shape為[batch, n_class]全零向量
? ? res.scatter_(1, x.view(-1,1), 1)?
? ? # scatter_(input, dim, index, src)將src中數(shù)據(jù)根據(jù)index的索引按照dim的方向填進(jìn)input中
? ? return res
x=torch.tensor([5,7,0])
one_hot(x, 10)
tensor([[0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
? ? ? ? [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
? ? ? ? [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])

總結(jié)

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章:

相關(guān)文章

今天小編就為大家分享一篇Django使用消息提示簡(jiǎn)單的彈出個(gè)對(duì)話框?qū)嵗哂泻芎玫膮⒖純r(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧
2019-11-11

Python 中數(shù)組和數(shù)字相乘時(shí)的注意事項(xiàng)說明

這篇文章主要介紹了Python 中數(shù)組和數(shù)字相乘時(shí)的注意事項(xiàng)說明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

2021-05-05

20個(gè)被低估的Python性能優(yōu)化技巧分享

這篇文章主要為大家詳細(xì)介紹了20個(gè)被低估的Python性能優(yōu)化技巧并附上了實(shí)測(cè)數(shù)據(jù),文中的示例代碼簡(jiǎn)潔易懂,有需要的小伙伴可以參考一下

2025-03-03

Python word2vec訓(xùn)練詞向量實(shí)例分析講解

這篇文章主要介紹了Python word2vec訓(xùn)練詞向量實(shí)例分析，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)吧

2022-12-12

關(guān)于np.meshgrid函數(shù)中的indexing參數(shù)問題

Meshgrid函數(shù)在二維與三維空間中用于生成坐標(biāo)網(wǎng)格,便于進(jìn)行圖像處理和空間數(shù)據(jù)分析,二維情況下,默認(rèn)使用笛卡爾坐標(biāo)系,而三維meshgrid則涉及不同的坐標(biāo)軸取法,在三維情況下,可能會(huì)出現(xiàn)坐標(biāo)軸排列序混亂

2024-09-09

python基礎(chǔ)知識(shí)（一）變量與簡(jiǎn)單數(shù)據(jù)類型詳解

這篇文章主要介紹了python變量與簡(jiǎn)單數(shù)據(jù)類型詳解，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

2019-04-04