mindspore.ops.scatter_nd_add

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

将sparse addition应用于Tensor中的单个值或切片。

使用给定值通过加法运算和输入索引更新Tensor值。在更新完成后输出 input_x ,这有利于更加方便地使用更新后的值。

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_xN 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) - scatter_nd_add的输入,任意维度的Parameter。

  • indices (Tensor) - 指定加法操作的索引,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 相加操作的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_xupdates 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_xupdates 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:

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops, Parameter
>>> 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_add(input_x, indices, updates, False)
>>> print(output)
[ 1. 10.  9.  4. 12.  6.  7. 17.]
>>> input_x = Parameter(Tensor(np.zeros((4, 4, 4)), mindspore.int32))
>>> 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.int32)
>>> output = ops.scatter_nd_add(input_x, indices, updates, False)
>>> 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]]
 [[5 5 5 5]
  [6 6 6 6]
  [7 7 7 7]
  [8 8 8 8]]
 [[0 0 0 0]
  [0 0 0 0]
  [0 0 0 0]
  [0 0 0 0]]]