mindspore.ops.tensor_scatter_mul
- mindspore.ops.tensor_scatter_mul(input_x, indices, updates)[源代码]
根据索引,通过乘法运算得到输出Tensor的值。更新后的结果是通过算子output返回,而不是直接原地更新input。
indices 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。有关更多详细信息,请参见样例。
说明
如果 indices 的某些值超出 input_x 的维度范围,则相应的 updates 不会更新为 input_x ,而不是抛出索引错误。
\[output\left [indices \right ] = input\_x\times update\]- 参数:
input_x (Tensor) - 输入Tensor。 input_x 的维度必须不小于 indices.shape[-1] 。
indices (Tensor) - input_x 执行scatter操作的目标索引,数据类型为int32或int64,rank必须大于等于2。
updates (Tensor) - 指定与 input_x 相加操作的Tensor,其数据类型与 input_x 相同。并且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 的数据类型不满足int32或int64。
ValueError - input_x 的rank小于 indices.shape的最后一维。
RuntimeError - 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) >>> # 5, Perform the multiply operation for the first time: >>> # first_input_x = input_x[0][0] * updates[0] = [[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]] >>> # 6, Perform the multiply operation for the second time: >>> # second_input_x = input_x[0][0] * updates[1] = [[-0.22, 0.3, 3.6], [0.4, 0.5, -3.2]] >>> output = ops.tensor_scatter_mul(input_x, indices, updates) >>> print(output) [[-0.22 0.3 3.6 ] [ 0.4 0.5 -3.2 ]]