Python Pytorch：使用张量沿多个轴进行索引，或一次分散到多个索引

我试图更新Pytorch中多维张量的非常具体的索引，但我不确定如何访问正确的索引。在Numpy中，我可以用一种非常简单的方式来实现这一点：

import numpy as np
#set up the array containing the data
data = 100*np.ones((10,10,2))
data[5:,:,:] = 0
#select the data points that I want to update
idxs = np.nonzero(data.sum(2))
#generate the updates that I am going to do
updates = np.random.randint(5,size=(idxs[0].shape[0],2))
#update the data
data[idxs[0],idxs[1],:] = updates

---

我需要在Pytorch中实现这一点，但我不确定如何实现。看起来我需要散射函数，但它只在一个维度上有效，而不是我需要的多个维度。如何实现这一点？

这些操作在PyTorch中的工作原理完全相同，除了默认情况下返回大小为[z，n]的张量，其中z是非零元素的数量，n是维度的数量，而不是像NumPy那样返回大小为[z]的n个张量的元组，但这种行为可以通过设置为_tuple=True来改变

除此之外，您可以直接将其转换为PyTorch，但您需要确保类型匹配，因为您无法将torch.long default of torch.randint类型的张量指定给torch.float default of torch.ones类型的张量。在这种情况下，数据的类型可能为torch.long：

设置包含数据的数组 数据=100*火炬。一个10,10,2，数据类型=火炬。长 数据[5:，：，：]=0 选择要更新的数据点 idxs=torch.nonzerodata.sum2，因为tuple=True 生成我将要执行的更新 updates=torch.randint5，size=idxs[0]。shape[0]，2 更新数据 数据[idxs[0]，idxs[1]，：]=更新

---

这些操作在PyTorch对应的操作中的工作方式完全相同，除了，默认情况下返回大小为[z，n]的张量，其中z是非零元素的数量，n是维度的数量，而不是像NumPy那样返回大小为[z]的n个张量的元组，但可以通过设置为_tuple=True来更改该行为

除此之外，您可以直接将其转换为PyTorch，但您需要确保类型匹配，因为您无法将torch.long default of torch.randint类型的张量指定给torch.float default of torch.ones类型的张量。在这种情况下，数据的类型可能为torch.long：

设置包含数据的数组 数据=100*火炬。一个10,10,2，数据类型=火炬。长 数据[5:，：，：]=0 选择要更新的数据点 idxs=torch.nonzerodata.sum2，因为tuple=True 生成我将要执行的更新 updates=torch.randint5，size=idxs[0]。shape[0]，2 更新数据 数据[idxs[0]，idxs[1]，：]=更新

---

我知道了，我习惯了Tensorfow惯例，用聚集，分散，等等做所有这些，我习惯了Tensorfow惯例，用聚集，分散，等等做所有这些