mindspore.ops.TensorScatterUpdate

class mindspore.ops.TensorScatterUpdate[源代码]

根据指定的更新值和输入索引，通过更新操作更新输入Tensor的值。此操作几乎等同于使用 mindspore.ops.ScatterNdUpdate ，只是更新操作应用到 input_x Tensor而不是0。

indices 的rank至少要为2，最后一个轴表示每个索引向量的深度。对于每个索引向量， update 中必须有相应的值。如果每个索引Tensor的深度与 input_x 的rank匹配，则每个索引向量对应于 input_x 中的Scalar，并且每次更新都会更新一个Scalar。如果每个索引Tensor的深度小于 input_x 的rank，则每个索引向量对应于 input_x 中的切片，并且每次更新都会更新一个切片。

更新的顺序是不确定的，这意味着如果 indices 中有多个索引向量对应于同一位置，则输出中该位置值是不确定的。

输入：

input_x (Tensor) - TensorScatterUpdate的输入，任意维度的Tensor。其数据类型为数值型。 input_x 的维度必须不小于indices.shape[-1]。
indices (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank必须至少为2。
update (Tensor) - 指定与 input_x 做更新操作的Tensor，其数据类型与输入相同。update.shape应等于indices.shape[:-1] + input_x.shape[indices.shape[-1]:]。

输出：

Tensor，shape和数据类型与输入 input_x 相同。

异常：

TypeError - indices 的数据类型既不是int32，也不是int64。
ValueError - input_x 的shape长度小于 indices 的shape的最后一个维度。
ValueError - input_x 的值与输入 indices 不匹配。

支持平台：

Ascend GPU CPU

样例：

>>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]]), mindspore.float32)
>>> indices = Tensor(np.array([[0, 0], [1, 1]]), mindspore.int32)
>>> update = Tensor(np.array([1.0, 2.2]), mindspore.float32)
>>> op = ops.TensorScatterUpdate()
>>> output = op(input_x, indices, update)
>>> print(output)
[[ 1.   0.3  3.6]
 [ 0.4  2.2 -3.2]]