1. ScatterND简介

1.1 理论

ScatterND 是一个常见的操作符，用于更新一个张量的部分值，将某些值散布到一个更大的张量中。

ScatterND 操作从一个输入张量 data 中选取值，然后根据给定的索引 indices 将这些值写入到一个输出张量 output 的指定位置。简单来说，它将数据分散（scatter）到一个预定义的位置。常用于更新稀疏矩阵中的部分值、图像处理中使用索引更新像素或特征图中的特定区域等。

1.2 示例

1. 输入张量 data：包含要分散的值。

2. 索引张量 indices：指定要更新的目标位置。indices 的每一行表示一个多维索引，指出 output 中要更新的具体位置。

3. 更新 output：ScatterND 将 data 中的值按照 indices 中指定的位置更新 output。output 的初始状态通常是全零或其他初始值。

假设：

• output 是要更新的张量，初始值为 zeros(shape) 或其他默认值。

• indices 是一个 k x n 形状的张量，k 表示索引数目，n 表示每个索引的维度。

• data 是一个形状为 k x ... 的张量，其中 ... 表示 data 的形状可以有更多的维度。
  ScatterND 的操作是：

1.3 代码

输出结果：

• output 开始是一个 3x3 的零矩阵。

• indices 指定了 data 中的每个值应写入 output 中的位置。

• data 的值 [1, 2, 3] 被分别写入 output 中的 [0, 1], [1, 2], [2, 0] 位置。

介绍完ScatterND是干什么的，下面看一些python代码中没写ScatterND，但导出的onnx中有ScatterND的场景，以及如何修改代码。

2. 实操场景1

会产出ScatterND onnx代码可见：

对应的onnx可见：

可以发现，onnx中是有ScatterND的，造成ScatterND的代码是哪儿呢？很明显，就一行代码：x[:, :2] = x[:, :2].sigmoid()，slice 之后 inplace 进行运算，导致ScatterND的产生。想去掉ScatterND，等价替换这样的操作即可，参考代码如下。

此时，可视化结果如下：

3. 实操场景2

会产出ScatterND onnx代码可见：

对应的onnx可见：

可以发现，onnx中是有ScatterND的，造成ScatterND的代码是哪儿呢？很明显，就两行代码：

也是slice 之后 inplace 进行运算，导致ScatterND的产生。想去掉ScatterND，等价替换这样的操作即可，参考代码如下。

此时，可视化结果如下：

4. 实操场景3

如下代码会引入scatterND

修改与验证代码如下：

方案1与方案2思想一致：

5. 总结

从上述介绍看，大部分场景，onnx中ScatterND 是由 slice 之后 inplace 进行运算导致，想要不产生ScatterND，等价替换相关操作即可。