mindspore.ops.tensor_scatter_max

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

根据指定的更新值 updates 和输入索引 indices ，使用最大值运算更新 input_x，返回一个新的Tensor。

输入索引的最后一个轴是每个索引向量的深度。对于每个索引向量， updates 中必须有相应的值。 updates 的shape应该等于 input_x[indices] 的shape。

\[output\left [indices \right ] = \max(input\_x, update)\]

说明

如果 indices 中的值超出输入 input_x 索引范围：

• GPU平台上相应的 updates 不会更新到 input_x 且不会抛出索引错误。

• CPU平台上直接抛出索引错误。

• Ascend平台不支持越界检查，若越界可能会造成未知错误。

参数：

• input_x (Tensor) - 输入Tensor。 input_x 的维度必须不小于indices.shape[-1]。

• indices (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank必须至少为2。

• updates (Tensor) - 指定与 input_x 取最大值操作的Tensor，其数据类型与 input_x 相同。并且其shape应等于 \(indices.shape[:-1] + input\_x.shape[indices.shape[-1]:]\) 。

返回：

Tensor，shape和数据类型与输入 input_x 相同。

异常：

• TypeError - indices 的数据类型不为int32或int64。

• ValueError - input_x 的rank小于 indices.shape 的最后一维。

• RuntimeError - 在CPU平台中，indices 中的值超出了 input_x 的索引范围。

支持平台：

GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]]), mindspore.float32)
>>> indices = Tensor(np.array([[0, 0], [0, 0]]), mindspore.int32)
>>> updates = Tensor(np.array([1.0, 2.2]), mindspore.float32)
>>> # Next, demonstrate the approximate operation process of this operator:
>>> # 1, indices[0] = [0, 0], indices[1] = [0, 0]
>>> # 2, And input_x[0, 0] = -0.1
>>> # 3, So input_x[indices] = [-0.1, -0.1]
>>> # 4, Satisfy the above formula: input_x[indices].shape=(2) == updates.shape=(2)
>>> output = ops.tensor_scatter_max(input_x, indices, updates)
>>> # 5, Perform the max operation for the first time:
>>> #      first_input_x = Max(input_x[0][0], updates[0]) = [[1.0, 0.3, 3.6], [0.4, 0.5, -3.2]]
>>> # 6, Perform the max operation for the second time:
>>> #      second_input_x = Max(input_x[0][0], updates[1]) = [[2.2, 0.3, 3.6], [0.4, 0.5, -3.2]]
>>> print(output)
[[ 2.2  0.3  3.6]
 [ 0.4  0.5 -3.2]]