torch_scatter.scatter_max()

torch_scatter.scatter_max(src, index, dim=-1, out=None, dim_size=None, fill_value=None)

• 根據(jù)index將src分組，求每一組中的最大值輸出到out
• dim是維度

from torch_scatter import scatter_max
src = torch.Tensor([[2, 0, 1, 4, 3], [0, 2, 1, 3, 4]])
index = torch.tensor([[4, 5, 4, 2, 3], [0, 0, 2, 2, 1]])
out = src.new_zeros((2, 6))
'''src根據(jù)index進(jìn)行分組'''
out, argmax = scatter_max(src, index, out=out)
print(out)
print(argmax)

輸出

tensor([[0., 0., 4., 3., 2., 0.],
        [2., 4., 3., 0., 0., 0.]])
tensor([[-1, -1,  3,  4,  0,  1],
        [ 1,  4,  3, -1, -1, -1]])

解釋

torch_scatter.scatter()使用

1. 參數(shù)

具體來講，scatter函數(shù)的作用就是將index中相同索引對應(yīng)位置的src元素進(jìn)行某種方式的操作，例如 sum 、 mean 等，然后將這些操作結(jié)果按照索引順序進(jìn)行拼接。

下面我用具體的例子來進(jìn)行講解。

2. 示例

2.1 簡單示例

首先初始化src和index：

src = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  # (3, 3)
index = torch.tensor([0, 0, 1], dtype=torch.int64)

接著使用scatter函數(shù)：

out = scatter(src, index, dim=0, reduce='mean')

我們觀察 index=[0, 0, 1] ，第0個(gè)位置和第1個(gè)位置都為0，第2個(gè)位置為1。也就是說，我們需要將src中第0個(gè)元素和第1個(gè)元素求平均變成一個(gè)元素，然后第2個(gè)元素求mean也就是本身為一個(gè)元素。如果 index=[1, 0, 0] ，則意味著我們需要將src中第1個(gè)元素和第2個(gè)元素求平均變成一個(gè)元素，而第0個(gè)元素保持不變。

那么src中第幾個(gè)元素到底是如何定義的呢？這就需要用到 dim 參數(shù)了。

dim=0 意味著我們需要對src的維度0進(jìn)行操作：

tensor([[1., 2., 3.],
        [4., 5., 6.],
        [7., 8., 9.]])

即src中第0個(gè)元素為 [1, 2, 3] ，第1個(gè)元素為 [4, 5, 6] ，第2個(gè)元素為 [7, 8, 9] 。

而如果 dim=1 ，則第0個(gè)元素為 [1, 4, 7] ，第1個(gè)元素為 [2, 5, 8] ，第2個(gè)元素為 [3, 6, 9] 。

因此，如果有以下代碼：

src = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  # (3, 3)
index = torch.tensor([0, 0, 1], dtype=torch.int64)
out = scatter(src, index, dim=0, reduce='mean')

那么我們就應(yīng)該將src中的第0個(gè)元素為 [1, 2, 3] 和第1個(gè)元素為 [4, 5, 6] 求平均為 [2.5, 3.5, 4.5] ，然后第2個(gè)元素 [7, 8, 9] 保持不變，即：

tensor([[2.5000, 3.5000, 4.5000],
        [7.0000, 8.0000, 9.0000]])

2.2 順序問題

上面的例子中 index=[0, 0, 1] ，最后結(jié)果是將src中第0個(gè)元素和第1個(gè)元素求平均放到了位置0，然后src中第2個(gè)元素保持不變放到了位置1。

如果 index=[1, 1, 0] ，結(jié)果為：

tensor([[7.0000, 8.0000, 9.0000],
        [2.5000, 3.5000, 4.5000]])

可以發(fā)現(xiàn)，上述結(jié)果是將src中第2個(gè)元素 [7, 8, 9] 保持不變放到了位置0，然后將src中第0個(gè)元素 [1, 2, 3] 和第1個(gè)元素 [4, 5, 6] 求平均保持不變放到了位置1。

也就是說，無論index怎么變化，都是優(yōu)先將index中0對應(yīng)位置的操作結(jié)果進(jìn)行放置。

2.3 維度問題

如果src的維度為(4, 3)，而我們需要對 dim=0 操作，也就是一共有四個(gè)元素，那么index的長度應(yīng)該為4，即以下操作是不合法的：

src = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])  # (4, 3)
index = torch.tensor([1, 1, 0], dtype=torch.int64)
out = scatter(src, index, dim=0, reduce='mean')
print(out)

報(bào)錯(cuò)為：

RuntimeError: The expanded size of the tensor (4) must match the existing size (3) at non-singleton dimension 0.  Target sizes: [4, 3].  Tensor sizes: [3, 1]

正確做法應(yīng)該是：

src = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])  # (4, 3)
index = torch.tensor([1, 1, 0, 2], dtype=torch.int64)
out = scatter(src, index, dim=0, reduce='mean')
print(out)

輸出為：

tensor([[ 7.0000,  8.0000,  9.0000],
        [ 2.5000,  3.5000,  4.5000],
        [10.0000, 11.0000, 12.0000]])

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。

最新評論