有很多时候，我们需要对深度学习过程中的tensor进行一些非整齐、离散化的赋值操作，例如我们让网络的一支输出可能的索引值，而另外一支可能需要去取对应索引值的内容。PyTorch提供了几种方法实现上述操作，但是其实际效果之间存在差异，在这里整理一下。
-
scatter_(dim, index, src)
按照index，将src的数据散放到self的'dim'维度中。例如，对于三维Tensor，效果如下：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-
dim (int)- 要散布拷贝的维度 -
index (LongTensor)- 散布拷贝的索引 -
src (Tensor or float)- 要散布拷贝的源，可以是单个浮点值或是tensor
-
-
index_fill_(dim, index, val)
按照index，将val的值填充self的dim维度。效果如下：>>> x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=torch.float) >>> index = torch.tensor([0, 2]) >>> x.index_fill_(1, index, -1) tensor([[-1., 2., -1.], [-1., 5., -1.], [-1., 8., -1.]])-
dim (int)- 要填充的维度 -
index (LongTensor)- 要填充的索引 -
val (float)- 要填充的值
-
-
index_put_(indices, value)
按照indices，将val的值填充到self的对应位置。效果如下：>>> a = torch.zeros([5,5]) >>> index = (torch.LongTensor([0,1]),torch.LongTensor([1,2]) >>> a.index_put_(index), torch.Tensor([1,1])) tensor([[ 0., 1., 0., 0., 0.], [ 0., 0., 1., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.], [ 0., 0., 0., 0., 0.]])-
indices (tuple of LongTensor)- 要填充的索引 -
value (Tensor)- 要填充的值组成的tensor
-
这三者的参数名相像，但实际上对各参数的定义有差别，要仔细跟据参数类型和例子好好分析。
