mindspore.ops.TensorScatterUpdate
- class mindspore.ops.TensorScatterUpdate[源代码]
根据指定的更新值和输入索引,通过更新操作更新输入Tensor的值。此操作几乎等同于使用
mindspore.ops.ScatterNd
,只是更新操作应用到 input_x Tensor而不是0。indices 的rank至少要为2,最后一个轴表示每个索引向量的深度。对于每个索引向量, update 中必须有相应的值。如果每个索引Tensor的深度与 input_x 的rank匹配,则每个索引向量对应于 input_x 中的Scalar,并且每次更新都会更新一个Scalar。如果每个索引Tensor的深度小于 input_x 的rank,则每个索引向量对应于 input_x 中的切片,并且每次更新都会更新一个切片。
更新的顺序是不确定的,这意味着如果 indices 中有多个索引向量对应于同一位置,则输出中该位置值是不确定的。
输入:
input_x (Tensor) - TensorScatterUpdate的输入,任意维度的Tensor。其数据类型为数值型。 input_x 的维度必须不小于indices.shape[-1]。
indices (Tensor) - 输入Tensor的索引,数据类型为int32或int64。其rank必须至少为2。
update (Tensor) - 指定与 input_x 做更新操作的Tensor,其数据类型与输入相同。update.shape应等于indices.shape[:-1] + input_x.shape[indices.shape[-1]:]。
输出:
Tensor,shape和数据类型与输入 input_x 相同。
异常:
TypeError - indices 的数据类型既不是int32,也不是int64。
ValueError - input_x 的shape长度小于 indices 的shape的最后一个维度。
ValueError - input_x 的值与输入 indices 不匹配。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]]), mindspore.float32) >>> indices = Tensor(np.array([[0, 0], [1, 1]]), mindspore.int32) >>> update = Tensor(np.array([1.0, 2.2]), mindspore.float32) >>> op = ops.TensorScatterUpdate() >>> output = op(input_x, indices, update) >>> print(output) [[ 1. 0.3 3.6] [ 0.4 2.2 -3.2]]