torch.Tensor.index_add_函数，pytorch中的tf.unsorted_segment_sum
ref:
- https://pytorch.org/docs/1.4.0/tensors.html?highlight=index_add_#torch.Tensor.index_add_
- https://blog.csdn.net/weixin_44289071/article/details/103882658
torch.Tensor.index_add_能实现指定行或列的内容相加的功能，类似于tensorflow中tf.unsorted_segment_sum函数，可以用在比如实例分割中进行特征聚合的步骤。比如一个N*C的feature根据实例label可以将属于同一实例的点的特征聚合起来，得到Ins_num*C的聚合特征。
1. 函数的参数
- dim：这个参数表明你要沿着哪个维度索引；
- index：包含索引的tensor；
- tensor：被索引出来去相加的tensor；
- 注意事项：
x相加前后的shape保持不变，被索引的tensor在被索引的维度（第dim维）之外的维度上与tensor的对应维度必须保持一致，且index中的值最大不能超过x在被索引的维度上的最大维数，index的长度必须和tensor[dim]相同。假如x的shape为(N， C)，索引的维度为第0维（dim=0），那么被索引的tensor的dim=1的维度也必须为C，index的值必须介于0和C-1之间，index的长度必须和被索引的tensor的dim=0的数字相同。
2. 使用示例
import torch
x = torch.ones(5, 3)
t = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]], dtype=torch.float)
index = torch.tensor([0, 2, 4, 2])
new_x = x.index_add_(0, index, t) # 把x的每一行加上index从t中索引出来的值
print('new_x: {}'.format(new_x))
new_x: tensor([[ 2., 3., 4.],
[ 1., 1., 1.],
[15., 17., 19.],
[ 1., 1., 1.],
[ 8., 9., 10.]])
解释一下：x.index_add_()表示在x的每一行加上index从t中索引出来的值，这个例子中x初始为一个5行3列全为1的tensor。
- 如何确定x的第
i行要加上的值，首先通过index[j]=i找到所有满足条件的j，再把所有的t[j]加上x[i]就得到新的x[i]。一行行来看。 - new_x的第0行：首先去找
index中值为0的的索引，找index[j]=0，所以j=0，新的new_x[0]=t[0]+x[0]，即new_x[0]=[1, 2, 3]+[1, 1, 1]=[2, 3, 4]。 - new_x的第1行：首先去找
index中值为1的的索引，找不到对应的j，所以没有东西可以加上，new_x[1]保持不变。 - new_x的第2行：首先去找
index中值为2的的索引，找index[j]=2，所以j=1, 3，新的new_x[2]=t[1]+t[3]+x[0]，即new_x[2]=[4, 5, 6]+[10, 11, 12]+[1, 1, 1]==[15, 17, 19]。 - new_x的第3行：首先去找
index中值为3的的索引，找不到对应的j，所以没有东西可以加上，new_x[3]保持不变。 - new_x的第4行：首先去找
index中值为4的的索引，找index[j]=4，所以j=2，新的new_x[4]=t[2]+x[4]，即new_x[4]=[7, 8, 9]+[1, 1, 1]=[8, 9, 10]。
3. 使用（我自己看的）
- 可以根据自己的工程需要去分配每一个输入的值。
- 假设我需要聚合属于相同实例的点的特征，我可以把初始的x设为shape为
(Ins_num, C)的全0数组；t设置为需要被索引的feature，其shape为(N, C)；索引就可以为实例label，shape为(N, )。 - label中为每个点所属的实例类别，其值为
0到Ins_num-1。（如果这个当中某些背景点的label为-100或者其他值就要注意了，索引会报错，记得处理一下） - 那么最终就可以得到一个shape为
(Ins_num, C)的新tensor，每i行代表对应实例label为i的所有点相加后的特征。