mindspore.ops.scatter_min

mindspore.ops.scatter_min(input_x, indices, updates)[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_xupdates 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 updates 不支持转成 input_x 需要的数据类型时,则会抛出RuntimeError异常。

参数:

  • input_x (Parameter) - scatter_min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或者mindspore.int64。

  • 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 + input_x.shape[1:]

返回:

Tensor,更新后的 input_x ,shape和类型与 input_x 相同。

异常:

  • TypeError - indices 不是int32或者int64。

  • ValueError - updates 的shape不等于 indices.shape + input_x.shape[1:]

  • RuntimeError - 当 input_xupdates 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。

  • RuntimeError - 在Ascend平台上, 输入的 input_xindicesupdates 的数据维度大于8维。

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor, Parameter
>>> from mindspore import ops
>>> input_x = Parameter(Tensor(np.zeros((2, 3)), mindspore.float32), name="input_x")
>>> indices = Tensor(np.array([1, 0]), mindspore.int32)
>>> update = Tensor(np.arange(6).reshape((2, 3)), mindspore.float32)
>>> output = ops.scatter_min(input_x, indices, update)
>>> print(output)
[[0. 0. 0.]
 [0. 0. 0.]]