mindspore.ops.ScatterNdAdd

class mindspore.ops.ScatterNdAdd(use_locking=False)

使用给定值通过加法运算和输入索引更新Tensor值。在更新完成后输出 input_x ，这有利于更加方便地使用更新后的值。

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，则低低精度数据类型将转换为高精度数据类型。当需要参数的数据类型转换时，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) - ScatterNdAdd的输入，任意维度的Parameter。

• indices (Tensor) - 指定加法操作的索引，数据类型为mindspore.int32。索引的rank必须至少为2，并且 indices.shape[-1] <= len(shape) 。

• updates (Tensor) - 指定与 input_x 相加操作的Tensor，数据类型与 input_x 相同，shape为 indices.shape[:-1] + x.shape[indices.shape[-1]:] 。

输出：

Tensor，更新后的 input_x ，shape和数据类型与 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[:-1] + x.shape[indices.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 GPU

样例：

>>> input_x = Parameter(Tensor(np.array([1, 2, 3, 4, 5, 6, 7, 8]), mindspore.float32), name="x")
>>> indices = Tensor(np.array([[2], [4], [1], [7]]), mindspore.int32)
>>> updates = Tensor(np.array([6, 7, 8, 9]), mindspore.float32)
>>> scatter_nd_add = ops.ScatterNdAdd()
>>> output = scatter_nd_add(input_x, indices, updates)
>>> print(output)
[ 1. 10.  9.  4. 12.  6.  7. 17.]
>>> input_x = Parameter(Tensor(np.zeros((4, 4, 4)), mindspore.int32))
>>> indices = Tensor(np.array([[0], [2]]), mindspore.int32)
>>> updates = Tensor(np.array([[[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]],
...                            [[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]]]), mindspore.int32)
>>> scatter_nd_add = ops.ScatterNdAdd()
>>> output = scatter_nd_add(input_x, indices, updates)
>>> print(output)
[[[1 1 1 1]
  [2 2 2 2]
  [3 3 3 3]
  [4 4 4 4]]
 [[0 0 0 0]
  [0 0 0 0]
  [0 0 0 0]
  [0 0 0 0]]
 [[5 5 5 5]
  [6 6 6 6]
  [7 7 7 7]
  [8 8 8 8]]
 [[0 0 0 0]
  [0 0 0 0]
  [0 0 0 0]
  [0 0 0 0]]]