mindspore.ops.scatter_nd_div

mindspore.ops.scatter_nd_div(input_x, indices, updates, use_locking=False)[源代码]

将sparse division应用于张量中的单个值或切片。

使用给定值通过除法运算和输入索引更新 input_x 的值。为便于使用，函数返回 input_x 的复制。

input_x 的rank为P， indices 的rank为Q， Q >= 2 。

indices 的shape为 \((i_0, i_1, ..., i_{Q-2}, N)\) ， N <= P 。

indices 的最后一个维度（长度为 N ）表示沿着 input_x 的 N 个维度进行切片。

updates 表示rank为 Q-1+P-N 的Tensor，shape为 \((i_0, i_1, ..., i_{Q-2}, x\_shape_N, ..., x\_shape_{P-1})\) 。

参数：

input_x (Parameter) - 输入参数，任意维度的Parameter。
indices (Tensor) - 指定除法操作的索引，数据类型为mindspore.int32或mindspore.int64。索引的rank必须至少为2，并且 indices.shape[-1] <= len(shape) 。
updates (Tensor) - 指定与 input_x 操作的Tensor，数据类型与 input_x 相同，shape为 indices.shape[:-1] + x.shape[indices.shape[-1]:] 。
use_locking (bool) - 是否启用锁保护。默认值：False。

返回：

Tensor，更新后的 input_x ，shape和数据类型与 input_x 相同。

异常：

TypeError - use_locking 的数据类型不是bool。
TypeError - indices 的数据类型不是int32或int64。
TypeError - input_x 和 updates 的数据类型不相同。
ValueError - updates 的shape不等于 indices.shape[:-1] + x.shape[indices.shape[-1]:] 。
RuntimeError - 当 input_x 和 updates 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。

支持平台：

GPU CPU

样例：

>>> input_x = Parameter(Tensor(np.array([1, 2, 3, 4, 5, 6, 7, 8]), mindspore.float32), name="x")
>>> indices = Tensor(np.array([[2], [4], [1], [7]]), mindspore.int32)
>>> updates = Tensor(np.array([6, 7, 8, 9]), mindspore.float32)
>>> output = ops.scatter_nd_div(input_x, indices, updates, False)
>>> print(output)
[1.         0.25       0.5        4.         0.71428573 6.
 7.         0.8888889 ]
>>> input_x = Parameter(Tensor(np.ones((4, 4, 4)), mindspore.float32))
>>> 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]],
...                            [[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]]]), mindspore.float32)
>>> output = ops.scatter_nd_div(input_x, indices, updates, False)
>>> print(output)
[[[1.         1.         1.         1.        ]
  [0.5        0.5        0.5        0.5       ]
  [0.33333334 0.33333334 0.33333334 0.33333334]
  [0.25       0.25       0.25       0.25      ]]
 [[1.         1.         1.         1.        ]
  [1.         1.         1.         1.        ]
  [1.         1.         1.         1.        ]
  [1.         1.         1.         1.        ]]
 [[0.2        0.2        0.2        0.2       ]
  [0.16666667 0.16666667 0.16666667 0.16666667]
  [0.14285715 0.14285715 0.14285715 0.14285715]
  [0.125      0.125      0.125      0.125     ]]
 [[1.         1.         1.         1.        ]
  [1.         1.         1.         1.        ]
  [1.         1.         1.         1.        ]
  [1.         1.         1.         1.        ]]]