文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.ScatterNdUpdate

class mindspore.ops.ScatterNdUpdate(use_locking=True)

使用给定值以及输入索引更新输入数据的值。

input_x 的rank为P，而 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 $(i_0,i_1,...,i_{Q-2},x\mathrm{\_}shap{e}_N,...,x\mathrm{\_}shap{e}_{P-1})$ 。

输入的 input_x 和 updates 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，则低优先级数据类型将转换为相对最高优先级的数据类型。当需要参数的数据类型转换时，会抛出RuntimeError异常。

参数：

• use_locking (bool) - 是否启用锁保护。默认值：True。

输入：

• input_x (Parameter) - ScatterNdUpdate的输入，任意维度的Parameter。

• indices (Tensor) - 指定更新操作的索引，数据类型为int32或者int64。

• updates (Tensor) - 指定与 input_x 更新操作的Tensor，类型与输入相同。shape为 indices.shape[:-1] + x.shape[indices.shape[-1]:] 。

输出：

Tensor，shape和数据类型与输入 input_x 相同。

异常：

• TypeError - use_locking 不是bool。

• TypeError - indices 不是int32或者int64。

• 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：

Ascend GPU CPU

样例：

>>> np_x = np.array([[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]])
>>> input_x = mindspore.Parameter(Tensor(np_x, mindspore.float32), name="x")
>>> indices = Tensor(np.array([[0, 0], [1, 1]]), mindspore.int32)
>>> updates = Tensor(np.array([1.0, 2.2]), mindspore.float32)
>>> op = ops.ScatterNdUpdate()
>>> output = op(input_x, indices, updates)
>>> print(output)
[[1.   0.3   3.6]
 [0.4  2.2  -3.2]]