高阶操作

• Where
• Gather

where

三个参数，第一个是condition，第二个参数是源头A，第三个参数是源头B，也就是说有两项数据A和B，C有可能来自于A也有可能来自于B，如果全部来自于A的话直接赋值给A，如果部分来自A的话可以例如C[0]=A[0]，C[1]=B[1],如果C[0,0,1]=A[0,0,1],C[0,0,2]=B[0,0,2],C[0,0,3]=A[0,0,3]说明C的来源是比较乱的，没有一个特别好的规律，把这个乱的规则写在condition表里，condition的shape与A和B是一样的

为什么需要这个操作？
没有一个很好规则来帮助你赋值，简单的复制方法是不可行的，使用Python的逻辑控制比如for，比如用双重for循环加条件语句C[i,j]=A[i,j],但是存在一个问题，这段代码是运行在CPU上的就没有GPU的加速功能，因此要完成这样一个简单的分别采样或者分别取值的过程，照python代码的情况是用CPU控制的没有并行，生成一个condition，赋值语句就可以高度并行化

例如有一个场景，有一张表存储的是动物的名字[dog,cat,whale],但是pytoch是没有string类型的这里只是示意，通过神经网络得到相对编号的索引比如说第一个动物得到的索引是1那就意味着是cat，第二个动物对应的索引是0那就是对应的dog，第三个动物对应的索引是1，第四个动物得到的索引是2，即[1,0,1,2],表一共有3个种类，但是我们要查4次操作，所以查表的操作会生成[cat,dog,cat,whale]所以生成的shape和你提供要查找的shape是一样的，这个查表的操作是一个收集的操作，根据1收集索引为1的cat以此类推，因此这就是gather设计的初衷，gather([dog,cat,whale],dim=0,[1,0,1,2]),通过这三个参数就可以很好的生成查表的操作，pytorch矩阵运算没有这种操作可以完成这个功能，因此gather设计为了GPU的方式实现这个功能