mindspore.ops.scatter_nd

mindspore.ops.scatter_nd(indices, updates, shape)[源代码]

根据指定的索引将更新值散布到新Tensor上。

使用给定的 shape 创建一个空Tensor，并将 updates 的值通过索引（ indices ）来设置空Tensor的值。空Tensor的秩为 \(P\) ， indices 的秩为 \(Q\) 。

shape 为 \((s_0, s_1, ..., s_{P-1})\) ，其中 \(P \ge 1\) 。

indices 的shape为 \((i_0, i_1, ..., i_{Q-2}, N)\) ，其中 \(Q \ge 2\) 且 \(N \le P\) 。

indices 的最后一个维度（长度为 \(N\) ）表示沿着空Tensor的第 \(N\) 个维度进行切片。

updates 是一个秩为 \(Q-1+P-N\) 的Tensor，shape为 \((i_0, i_1, ..., i_{Q-2}, s_N, s_{N+1}, ..., s_{P-1})\) 。

如果 indices 包含重复的下标，则 updates 的值会被累加到同一个位置上。

在秩为3的第一个维度中插入两个新值矩阵的计算过程如下图所示：

参数：

indices (Tensor) - 指定新Tensor中散布的索引，数据类型为int32或int64。索引的秩须至少为2，并且 indices.shape[-1] <= len(shape) 。
updates (Tensor) - 指定更新Tensor，shape为 indices.shape[:-1] + shape[indices.shape[-1]:] 。
shape (tuple[int]) - 指定输出Tensor的shape，数据类型与 indices 相同。 shape 不能为空，且 shape 中的任何元素的值都必须大于等于1。

返回：

Tensor，更新后的Tensor，数据类型与输入 update 相同，shape与输入 shape 相同。

异常：

TypeError - shape 不是tuple。
ValueError - shape 的任何元素小于1。

支持平台：: Ascend GPU CPU

样例：

>>> 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]],
...                            [[1, 1, 1, 1], [2, 2, 2, 2],
...                             [3, 3, 3, 3], [4, 4, 4, 4]]]), mindspore.float32)
>>> shape = (4, 4, 4)
>>> output = ops.scatter_nd(indices, updates, shape)
>>> 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.]]
 [[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.]]]
>>> indices = Tensor(np.array([[0, 1], [1, 1]]), mindspore.int32)
>>> updates = Tensor(np.array([3.2, 1.1]), mindspore.float32)
>>> shape = (3, 3)
>>> output = ops.scatter_nd(indices, updates, shape)
>>> # In order to facilitate understanding, explain the operator pseudo-operation process step by step:
>>> # Step 1: Generate an empty Tensor of the specified shape according to the shape
>>> # [
>>> #     [0. 0. 0.]
>>> #     [0. 0. 0.]
>>> #     [0. 0. 0.]
>>> # ]
>>> # Step 2: Modify the data at the specified location according to the indicators
>>> # 0th row of indices is [0, 1], 0th row of updates is 3.2.
>>> # means that the empty tensor in the 0th row and 1st col set to 3.2
>>> # [
>>> #     [0. 3.2. 0.]
>>> #     [0. 0.   0.]
>>> #     [0. 0.   0.]
>>> # ]
>>> # 1th row of indices is [1, 1], 1th row of updates is 1.1.
>>> # means that the empty tensor in the 1th row and 1st col set to 1.1
>>> # [
>>> #     [0. 3.2. 0.]
>>> #     [0. 1.1  0.]
>>> #     [0. 0.   0.]
>>> # ]
>>> # The final result is as follows:
>>> print(output)
[[0. 3.2 0.]
 [0. 1.1 0.]
 [0. 0.  0.]]