文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindspore.scipy.optimize.linear_sum_assignment

mindspore.scipy.optimize.linear_sum_assignment(cost_matrix, maximize, dimension_limit=Tensor(sys.maxsize))[源代码]

解决线性和分配问题（指派问题）。

指派问题如下表示：

m i n \sum_{i}^{} \sum_{j}^{} C_{i, j} X_{i, j}

其中， $C$ 表示代价矩阵， $X_{i, j} = 1$ 表示列 $j$ 被指派给了行 $i$ 。

参数：

cost_matrix (Tensor) - 二维代价矩阵。其shape为 $(M, N)$ 。
maximize (bool) - 为True则计算最大权值匹配，否则计算最小权值匹配。
dimension_limit (Tensor，可选) - 用来限制 cost_matrix 第二维的实际大小。默认值： Tensor(sys.maxsize) ，表示没有限制。类型为零维int64类型Tensor。

返回：

由 row_idx 和 col_idx 组成的tuple。

row_idx (Tensor) - 指派问题的行索引。如果指定了 dimension_limit ，用-1在结尾补齐。其shape为 $(N,)$ , 其中 $N$ 为 cost_matrix 维度较小值。
col_idx (Tensor) - 指派问题的列索引。如果指定了 dimension_limit ，用-1在结尾补齐。其shape为 $(N,)$ , 其中 $N$ 为 cost_matrix 维度较小值。

异常：

TypeError - 如果 cost_matrix 数据类型不是float16、float32、float64、int8、int16、int32、int64、uint8、uint16、uint32、uint64、bool之一。
TypeError - 如果 maximize 的类型不是bool。
TypeError - 如果 dimension_limit 的数据类型不是int64。
ValueError - 如果 cost_matrix 维度不为2。

支持平台：

Ascend CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> from mindspore import Tensor
>>> import mindspore.scipy.optimize.linear_sum_assignment as lsap
>>> cost_matrix = Tensor(np.array([[2, 3, 3], [3, 2, 3], [3, 3, 2]])).astype(ms.float64)
>>> dimension_limit = Tensor(2)
>>> maximize = False
>>> a, b = lsap(cost_matrix, maximize, dimension_limit)
>>> print(a)
[0 1 -1]
>>> print(b)
[0 1 -1]
>>> a, b = lsap(cost_matrix, maximize)
>>> print(a)
[0 1 2]
>>> print(b)
[0 1 2]