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_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_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 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.]]