mindspore.ops.unsorted_segment_sum

mindspore.ops.unsorted_segment_sum(input_x, segment_ids, num_segments)

沿分段计算输入Tensor元素的和。

计算输出Tensor \(\text{output}[i] = \sum_{segment\_ids[j] == i} \text{data}[j, \ldots]\) ，其中 \(j,...\) 是代表元素索引的Tuple。 segment_ids 确定输入Tensor元素的分段。 segment_ids 不需要排序，也不需要覆盖 num_segments 范围内的所有值。

unsorted_segment_sum的计算过程如下图所示：

说明

• 如果 segment_ids 中不存在segment_id i ，则对输出 output[i] 填充0。

• 在Ascend平台上，如果segment_id的值小于0或大于输入Tensor的shape的长度，将触发执行错误。

如果给定的segment_ids \(i\) 的和为空，则 \(\text{output}[i] = 0\) 。如果 segment_ids 元素为负数，将忽略该值。 num_segments 必须等于不同segment_id的数量。

参数：

• input_x (Tensor) - 待进行分段求和的Tensor，shape： \((x_1, x_2, ..., x_R)\) 。

• segment_ids (Tensor) - 用于指示每个元素所属段的标签，将shape设置为 \((x_1, x_2, ..., x_N)\) ，其中0<N<=R。

• num_segments (Union[int, Tensor], 可选) - 分段数量 \(z\) ，可以为int或零维的Tensor。

返回：

Tensor, shape为 \((z, x_{N+1}, ..., x_R)\)。

异常：

• TypeError - num_segments 不是int类型或者零维Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor
>>> from mindspore import ops
>>> input_x = Tensor([1, 2, 3, 4], mindspore.float32)
>>> segment_ids = Tensor([0, 0, 1, 2], mindspore.int32)
>>> num_segments = 4
>>> output = ops.unsorted_segment_sum(input_x, segment_ids, num_segments)
>>> print(output)
[3. 3. 4. 0.]
>>> input_x = Tensor([1, 2, 3, 4, 2, 5], mindspore.float32)
>>> segment_ids = Tensor([0, 0, 1, 2, 3, 4], mindspore.int32)
>>> num_segments = 6
>>> output = ops.unsorted_segment_sum(input_x, segment_ids, num_segments)
>>> print(output)
[3. 3. 4. 2. 5. 0.]