mindspore.ops.UnsortedSegmentSum
- class mindspore.ops.UnsortedSegmentSum[源代码]
沿分段计算输入Tensor元素的和。
计算输出Tensor \(\text{output}[i] = \sum_{segment\_ids[j] == i} \text{data}[j, \ldots]\) ,其中 \(j,...\) 是代表元素索引的Tuple。 segment_ids 确定输入Tensor元素的分段。 segment_ids 不需要排序,也不需要覆盖 num_segments 范围内的所有值。
UnsortedSegmentSum的计算过程如下图所示:
Note
如果 segment_ids 中不存在segment_id i ,则对输出 output[i] 填充0。
在Ascend平台上,如果segment_id的值小于0或大于输入Tensor的shape的长度,将触发执行错误。
如果 segment_ids 元素为负数,将忽略该值。 num_segments 必须等于不同segment_id的数量。
输入:
input_x (Tensor) - shape: \((x_1, x_2, ..., x_R)\) 。
segment_ids (Tensor) - shape为 \((x_1)\) 的1维张量,值必须是非负数。数据类型支持int32。
num_segments (int) - 分段数量 \(z\) 。
输出:
Tensor,shape: \((z, x_{N+1}, ..., x_R)\) 。
异常:
TypeError - num_segments 不是int类型。
ValueError - segment_ids 的维度小于1。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> from mindspore import Tensor >>> from mindspore import ops >>> import mindspore >>> input_x = Tensor([1, 2, 3, 4], mindspore.float32) >>> segment_ids = Tensor([0, 0, 1, 2], mindspore.int32) >>> num_segments = 4 >>> output = ops.UnsortedSegmentSum()(input_x, segment_ids, num_segments) >>> print(output) [3. 3. 4. 0.] >>> input_x = Tensor([1, 2, 3, 4, 2, 5], mindspore.float32) >>> segment_ids = Tensor([0, 0, 1, 2, 3, 4], mindspore.int32) >>> num_segments = 6 >>> output = ops.UnsortedSegmentSum()(input_x, segment_ids, num_segments) >>> print(output) [3. 3. 4. 2. 5. 0.]