c++ - 像ArrayFire中的Numpy一样分散/聚集

Question

我想沿着一个轴从特定位置的X数组中分散并收集元素。
因此，给定一个索引数组idx，我想选择第0列的idx(0) th元素，第1列的idx(1) th元素，等等。

在Numpy中，以下语句:

X = np.array([[1, 2, 3], [4, 5, 6]])
print(X[[0, 1, 1], range(3)])

打印 [1, 5, 6]。

此外，我可以反向执行此过程:

Y = np.zeros((2, 3))
Y[[0, 1, 1], range(3)] = [1, 5, 6]
print(Y)

这将打印

[[1. 0. 0.]
 [0. 5. 6.]]

但是，当我尝试在ArrayFire中复制此行为时:

float elements[] = {1, 2, 3, 4, 5, 6};
af::array X = af::array(3, 2, elements);
int idx_elements[] = {0, 1, 1};
af::array idx = af::array(3, idx_elements);
af::print("", X(af::span, idx));

我得到了一个形状为[3，3，1，1]的数组，其中的元素

1.0000     4.0000     4.0000 
2.0000     5.0000     5.0000 
3.0000     6.0000     6.0000

那么，如何在ArrayFire中实现所需的类似于numpy的行为来分散和收集元素？

要对矩阵执行聚集操作，我可以提取所得矩阵的对角线，但它可能在多维情况下不起作用，并且在其他(散点)方向上不起作用。

Answer 1

X
[3 2 1 1]
    1.0000     4.0000 
    2.0000     5.0000 
    3.0000     6.0000 

idx
[3 1 1 1]
         0 
         1 
         1 

当涉及到af::array时，ArrayFire会做笛卡尔积。因此，输出。
因此，请参阅以下索引。

Col\Row   0       1        1   from array

   0    (0, 0)  (0,1)  (0, 1)
   1    (1, 0)  (1,1)  (1, 1)
   2    (2, 0)  (2,1)  (2, 1)
   ^
   ^ from sequence

因此， X(af::span, idx))的输出为3x3矩阵。

要基于坐标收集元素，您将需要不同的功能
approx2。请注意，此函数仅将其索引用作浮点数组。

float idx_elements[] = {0, 1, 1}; // changed the idx to floats
af::array colIdx = af::array(3, idx_elements);
af::array rowIdx = af::iota(3); // same effect as span

af::array out = approx2(X, rowIdx, colIdx);
af_print(out); 
// out
// [3 1 1 1]
//     1.0000 
//     5.0000 
//     6.0000 

要设置给定索引的值，由于非常原因，您必须将数组展平
当涉及到af::array时， array::operator()认为笛卡尔积。

af::array A = af::constant(0, 3, 2); // same size as X
af::array B = af::flat(A); // flatten the array, this involves meta data modification only

B(rowIdx + 3 * colIdx) = out; // use row & col indices to fetch linear indices
// rowIdx + 3 * colIdx
// [3 1 1 1]
//     0.0000 
//     4.0000 
//     5.0000 

B = moddims(B, A.dims()); // reset the dimensions to original A dims

af_print(B);
// B
// [3 2 1 1]
//     1.0000     0.0000 
//     0.0000     5.0000 
//     0.0000     6.0000 

您可以在 indexing tutorial中查找更多详细信息。