mindspore.ops.ScatterNdUpdate

class mindspore.ops.ScatterNdUpdate(use_locking=True)[源代码]

使用给定值以及输入索引更新输入数据的值。

input_x 的rank为P，而 indices 的rank为Q， Q >= 2 。

indices 的shape为 \((i_0, i_1, ..., i_{Q-2}, N)\) ， N <= P 。

indices 的最后一个维度（长度为 N ）表示沿着 input_x 的 N 个维度进行切片。

updates 表示rank为 Q-1+P-N 的Tensor，shape为 \((i_0, i_1, ..., i_{Q-2}, x\_shape_N, ..., x\_shape_{P-1})\) 。

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，则低优先级数据类型将转换为相对最高优先级的数据类型。当需要参数的数据类型转换时，会抛出RuntimeError异常。

参数：

  • use_locking (bool) - 是否启用锁保护。默认值：True。

输入：

  • input_x (Parameter) - ScatterNdUpdate的输入，任意维度的Parameter。

  • indices (Tensor) - 指定更新操作的索引，数据类型为int32或者int64。

  • updates (Tensor) - 指定与 input_x 更新操作的Tensor，类型与输入相同。shape为 indices.shape[:-1] + x.shape[indices.shape[-1]:] 。

输出：

Tensor，shape和数据类型与输入 input_x 相同。

异常：

  • TypeError - use_locking 不是bool。

  • TypeError - indices 不是int32或者int64。

  • 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。

支持平台：

Ascend GPU CPU

样例：

>>> np_x = np.array([[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]])
>>> input_x = mindspore.Parameter(Tensor(np_x, mindspore.float32), name="x")
>>> indices = Tensor(np.array([[0, 0], [1, 1]]), mindspore.int32)
>>> updates = Tensor(np.array([1.0, 2.2]), mindspore.float32)
>>> op = ops.ScatterNdUpdate()
>>> output = op(input_x, indices, updates)
>>> print(output)
[[1.   0.3   3.6]
 [0.4  2.2  -3.2]]