比较与tf.compat.v1.scatter_mul的差异

查看源文件

tf.compat.v1.scatter_mul

tf.compat.v1.scatter_mul(
    ref,
    indices,
    updates,
    use_locking=False,
    name=None
) -> Tensor

更多内容详见tf.compat.v1.scatter_mul

mindspore.ops.scatter_mul

mindspore.ops.scatter_mul(
    input_x,
    indices,
    updates
) -> Tensor

更多内容详见mindspore.ops.scatter_mul

使用方式

TensorFlow:对Tensor进行原地散点式更新。

MindSpore:实现与TensorFlow一致的功能。TensorFlow可以使用use_locking参数控制在更新张量时是否使用锁定,加锁可以保证Tensor在多线程环境下可以被正确更新,默认为False。MindSpore默认实现不加锁的功能。

分类

子类

TensorFlow

MindSpore

差异

参数

参数1

ref

input_x

功能一致,参数名不同

参数2

indices

indices

-

参数3

updates

updates

-

参数4

use_locking

-

MindSpore无此参数,默认实现不加锁的功能。

参数5

name

-

不涉及

代码示例

TensorFlow中use_locking为False时,两API实现功能一致。

# TensorFlow
import numpy as np
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

ref = tf.Variable(np.array([[1.0, 2.0, 3.0], [1.0, 2.0, 3.0]]), dtype=tf.float32)
indices = tf.constant(np.array([0, 1]),  dtype=tf.int32)
updates = tf.constant(np.array([[1.0, 3.0, 5.0], [2.0, 4.0, 6.0]]), dtype=tf.float32)
op = tf.compat.v1.scatter_mul(ref, indices, updates, use_locking=False)

init = tf.compat.v1.global_variables_initializer()
with tf.compat.v1.Session() as sess:
    sess.run(init)
    out = sess.run(op)
print(out)
# [[ 1.  6. 15.]
#  [ 2.  8. 18.]]

# MindSpore
import numpy as np
import mindspore
from mindspore import Tensor, Parameter
import mindspore.ops as ops

input_x = Parameter(Tensor(np.array([[1.0, 2.0, 3.0], [1.0, 2.0, 3.0]]), mindspore.float32), name="x")
indices = Tensor(np.array([0, 1]), mindspore.int32)
updates = Tensor(np.array([[1.0, 3.0, 5.0], [2.0, 4.0, 6.0]]), mindspore.float32)
output = ops.scatter_mul(input_x, indices, updates)
print(output)
# [[ 1.  6. 15.]
#  [ 2.  8. 18.]]