mindspore.ops.scatter_min

mindspore.ops.scatter_min(input_x, indices, updates)

根据指定更新值和输入索引通过最小值操作更新输入数据的值。 该操作在更新完成后输出 input_x ，这样方便使用更新后的值。

对于 indices.shape 的每个 \(i, ..., j\) ：

\[\text{input_x}[\text{indices}[i, ..., j], :] = \min(\text{input_x}[\text{indices}[i, ..., j], :], \text{updates}[i, ..., j, :])\]

输入的 input_x 和 updates 遵循隐式类型转换规则，以确保数据类型一致。如果数据类型不同，则低精度数据类型将转换为高精度的数据类型。当 updates 不支持转成 input_x 需要的数据类型时，则会抛出RuntimeError异常。

参数：

• input_x (Parameter) - 目标Tensor，数据类型为Parameter。

• indices (Tensor) - 指定最小值操作的索引，数据类型必须为mindspore.int32或者mindspore.int64。

• updates (Tensor) - 指定与 input_x 取最小值操作的Tensor，数据类型与 input_x 相同，shape为 indices.shape + input_x.shape[1:] 。

返回：

Tensor，更新后的 input_x ，shape和类型与 input_x 相同。

异常：

• TypeError - indices 不是int32或者int64。

• ValueError - updates 的shape不等于 indices.shape + input_x.shape[1:] 。

• RuntimeError - 当 input_x 和 updates 类型不一致，需要进行类型转换时，如果 updates 不支持转成参数 input_x 需要的数据类型，就会报错。

• RuntimeError - 在Ascend平台上，输入的 input_x ， indices 和 updates 的数据维度大于八维。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor, Parameter
>>> from mindspore import ops
>>> input_x = Parameter(Tensor(np.zeros((2, 3)), mindspore.float32), name="input_x")
>>> indices = Tensor(np.array([1, 0]), mindspore.int32)
>>> update = Tensor(np.arange(6).reshape((2, 3)), mindspore.float32)
>>> output = ops.scatter_min(input_x, indices, update)
>>> print(output)
[[0. 0. 0.]
 [0. 0. 0.]]