本文介绍一种基于 PyTorch scatter_reduce_ 的高效方法，用于在 GPU 上快速构建索引张量，其中每个元素 a[i] 表示目标张量 t 中整数 i 首次出现的位置；未出现的值默认填充为 -1。
本文介绍一种基于 pytorch `scatter_reduce_` 的高效方法，用于在 gpu 上快速构建索引张量，其中每个元素 `a[i]` 表示目标张量 `t` 中整数 `i` 首次出现的位置；未出现的值默认填充为 -1。
在处理大规模离散标签序列（如图神经网络中的节点类型、分组索引或类别映射）时，常需快速获取每个唯一整数值在原始张量中的首次出现位置。若使用 Python 循环或 torch.where 逐值查找，时间复杂度为 O(N·K)（K 为唯一值数量），在 GPU 上无法并行化，性能极差。
PyTorch 2.1+ 引入的 scatter_reduce_ 操作为此类“按键聚合索引”任务提供了原生、可微、GPU 友好的解决方案。其核心思想是：将位置索引 indices = [0, 1, 2, ..., len(t)-1] 按照值 t[i] 作为索引，以 取最小值（amin） 的方式“散射汇聚”到输出张量 a 中——这恰好等价于记录每个值的首次出现位置。
以下是完整实现：
import torch
def first_occurrence_indices(t):
"""
返回张量 t 中每个整数值首次出现位置的索引张量。
Args:
t (torch.Tensor): 一维长整型张量，元素 ≥ 0
Returns:
torch.Tensor: 形状为 (max(t)+1,) 的张量，a[i] 为 i 在 t 中首次出现的下标；
若 i 不在 t 中，则 a[i] = -1。
"""
if t.numel() == 0:
return torch.empty(0, dtype=torch.long, device=t.device)
max_val = torch.max(t).item() + 1
a = torch.full((max_val,), -1, dtype=torch.long, device=t.device)
# 构造位置索引：[0, 1, 2, ..., len(t)-1]
indices = torch.arange(len(t), device=t.device)
# 关键步骤：按 t 的值为 key，对 indices 执行 "amin" 聚合
# include_self=False 确保不将初始 -1 视为有效候选
a.scatter_reduce_(0, t, indices, reduce="amin", include_self=False)
return a
✅ 使用示例：
t = torch.tensor([2, 1, 3, 2, 3, 0, 1, 5], device="cuda") result = first_occurrence_indices(t) print(result) # tensor([ 5, 1, 0, 2, -1, 7])
解释：
- 值
0首次出现在索引5→result[0] == 5 - 值
1首次出现在索引1→result[1] == 1 - 值
4未出现 →result[4] == -1（保持初始化值）
⚠️ 注意事项：
- 输入张量
t必须为非负整数（torch.long），否则scatter_reduce_将报错或越界写入； - 若
t包含负数，需先偏移：t_shifted = t - t.min()，并在结果后对齐索引； -
scatter_reduce_在 CUDA 上高度优化，实测在百万级张量上比纯 Python 快 100× 以上； -
include_self=False是关键参数：它确保初始-1不参与amin比较（否则-1会错误地成为所有未出现值的“最小索引”）； - 如需支持动态最大值（避免分配过大内存），可先用
torch.unique(t, sorted=True)获取实际出现的值，再结合torch.bucketize或稀疏张量方案，但会牺牲部分简洁性。
该方法兼具简洁性、可扩展性与生产级性能，是 PyTorch 生态中处理“首次出现索引”问题的推荐范式。
