mindspore.ops.matrix_diag

mindspore.ops.matrix_diag(x, k=0, num_rows=- 1, num_cols=- 1, padding_value=0, align='RIGHT_LEFT')[源代码]

返回一个Tensor，其k[0]到k[1]的对角线特定为给定对角线Tensor，其余值均填充为 padding_value 。 通过 num_rows 和 num_cols 指定输出最内层矩阵的维度，其维度大小需要符合要求。如果两者都没有指定，那么算子假定输出Tensor最内层的矩阵是方阵，并从输入 k 和输入 x 最内层的维度推断出输出的具体维度大小。如果 num_rows 和 num_cols 仅指定其中一个，那么算子将推导出最小的合法值作为输出的维度。 此外，当只有一条对角线时（即当k为整数或者k[0]==k[1]），x 的第一维到倒数第二维都属于批量的范围，否则倒数第二维不属于批量的维度。

参数：

  • x (Tensor) - 对角线Tensor。

  • k (Union[int, Tensor], optional) - int32类型的Tensor。对角线偏移。正值表示超对角线，0表示主对角线，负值表示次对角线。k可以是单个整数（对于单个对角线）或一对整数，指定矩阵带的上界和下界，且k[0]不得大于k[1]。该值必须在必须在（-num_rows，num_cols）中。默认值：0。

  • num_rows (Union[int, Tensor], optional) - int32类型的单值Tensor，表示输出Tensor的行数。若该值为-1，则表示输出Tensor的最内层矩阵是一个方阵，实际行数将由其他输入推导。默认值：-1。

  • num_cols (Union[int, Tensor], optional) - int32类型的单值Tensor，表示输出Tensor的列数。若该值为-1，则表示输出Tensor的最内层矩阵是一个方阵，实际列数将由其他输入推导。默认值：-1。

  • padding_value (Union[int, float, Tensor], optional) - 与 x 相同的数据类型的单值Tensor，表示填充对角线带外区域的数值，默认值：0。

  • align (str, optional) - 一个字符串，指定超对角线和次对角线的对齐方式。可选字符串有：RIGHT_LEFT、”LEFT_RIGHT”、”LEFT_LEFT”、”RIGHT_RIGHT”。例如，”RIGHT_LEFT”表示将超对角线与右侧对齐（左侧填充行），将次对角线与左侧对齐（右侧填充行）。默认值：”RIGHT_LEFT”。

返回：

Tensor，与 x 的类型相同。 设 x 有r维 (I， J， …， M， N) 。当只给出一条对角线（k是整数或k[0]==k[1]）时，输出Tensor的维度是r + 1，具有shape (I，J，…，M，num_rows，num_cols) 。否则，输出Tensor的维度是r，具有shape (I，J，…，num_rows，num_cols) 。

异常：

  • TypeError - x 不为Tensor。

  • TypeError - x 与 padding_value 数据类型不同。

  • TypeError - k 、 num_rows 、 num_cols 数据类型不为int32。

  • ValueError - k 的维度不为0或1。

  • ValueError - padding_value 、 num_rows 、 num_cols 的维度不为0。

  • ValueError - k 的大小不为1或2。

  • ValueError - k 的取值不在 (-num_rows, num_cols) 范围内。

  • ValueError - 当k[0] != k[1]时，k[1]小于k[0]。

  • ValueError - 当k为整数或k[0] == k[1]时， x 的维度小于1。

  • ValueError - 当k[0] != k[1]时，x 的维度小于2。

  • ValueError - 当k[0] != k[1]时，x.shape[-2]不等于k[1] - k[0] + 1。

  • ValueError - num_rows 和 num_cols 与 x 的维度和 k 的值不匹配。

  • ValueError - align 取值不在合法值集合内。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore import ops
>>> x = Tensor(np.array([[8, 9, 0],
...                      [1, 2, 3],
...                      [0, 4, 5]]), mindspore.float32)
>>> k =Tensor(np.array([-1, 1]), mindspore.int32)
>>> num_rows = Tensor(np.array(3), mindspore.int32)
>>> num_cols = Tensor(np.array(3), mindspore.int32)
>>> padding_value = Tensor(np.array(11), mindspore.float32)
>>> output = ops.matrix_diag(x, k, num_rows, num_cols, padding_value, align='LEFT_RIGHT')
>>> print(output)
[[ 1.  8. 11.]
 [ 4.  2.  9.]
 [11.  5.  3.]]
>>> print(output.shape)
(3, 3)