mindspore.ops.scatter_max

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

根据指定更新值和输入索引通过最大值运算更新输入数据的值。

对于 indices.shape 的每个 \(i, ..., j\) ：

\[\text{input_x}[\text{indices}[i, ..., j], :] = max(\text{input_x}[\text{indices}[i, ..., j], :], \text{updates}[i, ..., j, :])\]

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，则低精度数据类型将转换为高精度的数据类型。当 updates 不支持转成 input_x 需要的数据类型时，则会抛出RuntimeError异常。

参数：

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

• indices (Tensor) - 指定最大值操作的索引，数据类型必须为mindspore.int32或者mindspore.int64。

• updates (Tensor) - 指定与 input_x 取最大值操作的Tensor，数据类型与 input_x 相同，shape为 indices.shape + input_x.shape[1:] 。

返回：

Tensor，更新后的 input_x ，shape和类型与 input_x 相同。

异常：

• TypeError - indices 不是int32或者int64。

• ValueError - updates 的shape不等于 indices.shape + input_x.shape[1:] 。

• 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。

• RuntimeError - 在Ascend平台上，输入的 input_x ， indices 和 updates 的数据维度大于8维。

支持平台：

Ascend CPU GPU

样例：

>>> input_x = Parameter(Tensor(np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]), mindspore.float32), name="input_x")
>>> indices = Tensor(np.array([[0, 0], [1, 1]]), mindspore.int32)
>>> updates = Tensor(np.ones([2, 2, 3]) * 88, mindspore.float32)
>>> output = ops.scatter_max(input_x, indices, updates)
>>> print(output)
[[88. 88. 88.]
 [88. 88. 88.]]