mindspore.ops.matrix_diag_part
- mindspore.ops.matrix_diag_part(x, k, padding_value, align='RIGHT_LEFT')[源代码]
返回输入Tensor的对角线部分。 返回输入Tensor,内容为输入 x 的第k[0]到k[1]个对角线中的值。有些对角线的长度小于 max_diag_len,此时会使用 padding_value 填充。在图模式中,输入 k 和 padding_value 必须为常量Tensor。
- 参数:
x (Tensor) - 输入Tensor,维度r需要满足 r >= 2。
k (Tensor) - int或int32类型的Tensor。对角线偏移。正值表示超对角线,0表示主对角线,负值表示次对角线。k可以是单个整数(对于单个对角线)或一对整数,指定矩阵带的上界和下界,且k[0]不得大于k[1]。该值必须在必须在(-x.shape[-2], x.shape[-1])中。
padding_value (Tensor) - 与 x 相同的数据类型的单值Tensor,表示填充对角线带外区域的数值。
align (str, 可选) - 一个字符串,指定超对角线和次对角线的对齐方式。可选字符串有:
"RIGHT_LEFT"
、"LEFT_RIGHT"
、"LEFT_LEFT"
、"RIGHT_RIGHT"
。例如,"RIGHT_LEFT"
表示将超对角线与右侧对齐(左侧填充行),将次对角线与左侧对齐(右侧填充行)。默认值:"RIGHT_LEFT"
。
- 返回:
Tensor,与 x 的类型相同。
设 x 有r维 \((I, J, ..., M, N)\) 。设 max_diag_len 为所有对角线长度中的最大值,则 \(max\_diag\_len = min(M + min(k[1], 0), N + min(-k[0], 0))\)。
设 num_diags 为输出的维度数,则有 \(num\_diags = k[1] - k[0] + 1\)。如果 \(num\_diags == 1\),则输出Tensor的维度为r - 1,分别为 \((I, J, ..., L, max\_diag\_len)\)。否则,输出Tensor的维度为r,分别为 \((I, J, ..., L, num\_diags, max\_diag\_len)\) 。
- 异常:
TypeError - x 不为Tensor。
TypeError - x 与 padding_value 数据类型不同。
TypeError - k 的数据类型不为int32。
ValueError - align 取值不在合法值集合内。
ValueError - k 的维度不为0或1。
ValueError - padding_value 的维度不为0。
ValueError - x 的维度不大于等于2。
ValueError - k 的大小不为1或2。
ValueError - 当 k 的大小为2时,k[1]小于k[0]。
ValueError - k 的取值不在 (-x.shape[-2], x.shape[-1]) 范围内。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, ops >>> x = Tensor(np.array([[1, 2, 3, 4], ... [5, 6, 7, 8], ... [9, 8, 7, 6]]), mindspore.float32) >>> k =Tensor(np.array([1, 3]), mindspore.int32) >>> padding_value = Tensor(np.array(9), mindspore.float32) >>> output = ops.matrix_diag_part(x, k, padding_value, align='RIGHT_LEFT') >>> print(output) [[9. 9. 4.] [9. 3. 8.] [2. 7. 6.]] >>> print(output.shape) (3, 3)