mindspore.ops.tensor_scatter_max

mindspore.ops.tensor_scatter_max(input_x, indices, updates)[源代码]

根据指定的更新值和输入索引,通过最大值运算,输出结果以Tensor形式返回。

索引的最后一个轴是每个索引向量的深度。对于每个索引向量, updates 中必须有相应的值。 updates 的shape应该等于 input_x[indices] 的shape。

说明

如果 indices 的某些值超出范围,则 input_x 不会更新相应的 updates,同时也不会抛出索引错误。

参数:
  • input_x (Tensor) - 输入Tensor。 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。

  • updates (Tensor) - 指定与 input_x 取最小值操作的Tensor,其数据类型与输入相同。updates.shape应该等于indices.shape[:-1] + input_x.shape[indices.shape[-1]:]。

返回:

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。

支持平台:

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], [0, 0]]), mindspore.int32)
>>> updates = Tensor(np.array([1.0, 2.2]), mindspore.float32)
>>> # Next, demonstrate the approximate operation process of this operator:
>>> # 1, indices[0] = [0, 0], indices[1] = [0, 0]
>>> # 2, And input_x[0, 0] = -0.1
>>> # 3, So input_x[indices] = [-0.1, -0.1]
>>> # 4, Satisfy the above formula: input_x[indices].shape=(2) == updates.shape=(2)
>>> output = ops.tensor_scatter_max(input_x, indices, updates)
>>> # 5, Perform the max operation for the first time:
>>> #      first_input_x = Max(input_x[0][0], updates[0]) = [[1.0, 0.3, 3.6], [0.4, 0.5, -3.2]]
>>> # 6, Perform the max operation for the second time:
>>> #      second_input_x = Max(input_x[0][0], updates[1]) = [[2.2, 0.3, 3.6], [0.4, 0.5, -3.2]]
>>> print(output)
[[ 2.2  0.3  3.6]
 [ 0.4  0.5 -3.2]]