mindspore.ops.ScatterMin

class mindspore.ops.ScatterMin(use_locking=False)[源代码]

根据指定更新值和输入索引通过最小值运算更新输入数据的值。

对于 indices.shape 的每个 i, …, j

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

输入的 input_xupdates 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。当参数的数据类型需要转换时,则会抛出RuntimeError异常。

参数:

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

输入:

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

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

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

输出:

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

异常:

  • TypeError - use_locking 不是bool。

  • TypeError - indices 不是int32。

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

  • RuntimeError - 当 input_xupdates 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 CPU

样例:

>>> input_x = Parameter(Tensor(np.array([[0.0, 1.0, 2.0], [0.0, 0.0, 0.0]]), mindspore.float32),
...                     name="input_x")
>>> indices = Tensor(np.array([[0, 0], [1, 1]]), mindspore.int32)
>>> update = Tensor(np.ones([2, 2, 3]), mindspore.float32)
>>> scatter_min = ops.ScatterMin()
>>> output = scatter_min(input_x, indices, update)
>>> print(output)
[[0. 1. 1.]
 [0. 0. 0.]]