tf.scatter_nd特殊用法——按索引aggregate

一般用法见：https://blog.csdn.net/zlrai5895/article/details/80551056

简单地说，scatter_nd根据indices来将updates中的元素“散布”到形状为shape并初始化为0的tensor中（称其为output），所以一般来说，shape的某个维度大小会比updates的对应维度的大小更大（小的tensor散布到大的tensor中），如下图所示：

然而在某个Github项目中见到一个特殊用法，shape的某个维度大小比updates的对应维度的大小更小，此时很难理解怎么“scatter(散开)”updates中的元素到一个更小的tensor中。如下面的例子，将1到12分散到只有4个位置的tensor中（解释见后文）。

    indices = tf.constant([[0],[1],[2],[3],[0],[1],[2],[3],[0],[1],[2],[3]])
    updates = tf.constant([1,2,3,4,5,6,7,8,9,10,11,12])
    shape = tf.constant([4])
    scatter = tf.scatter_nd(indices, updates, shape)
    with tf.Session() as sess:
    print(sess.run(scatter))
    # output is [15 18 21 24], 15=1+5+9, 18=2+6+10 and so on

实际上，由于updates的维度更大，故会有多个元素会被分到shape的同一个位置，而最后的结果是将分到同一个位置的tensor加起来，作为该位置的最终结果。例如，上面例子中，updates中的1、5、9对应indices的下标都是0，因此都被分到了结果中的位置0，因此15=1+5+9才是该位置的最终结果。同理，结果中下标为1的18是由indices中下标为1对应的updates中的元素的求和，即18=2+6+10。其他同理。