文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.MatrixSetDiagV3

class mindspore.ops.MatrixSetDiagV3(align='RIGHT_LEFT')

更新批处理矩阵对角线的值。 给定输入 x 和对角线 diagonal ，此操作返回一个Tensor。该Tensor最内层矩阵的对角线的值将被 diagonal 中的值替换。

如果某些对角线比 max_diag_len 短，则需要被填充，其中 max_diag_len 指对角线的最长长度。 diagonal 的维度 $shape[-2]$ 必须等于对角线个数 num_diags ， $num\mathrm{\_}diags=k[1]-k[0]+1$， diagonal 的维度 $shape[-1]$ 必须等于最长对角线值 max_diag_len ， $max\mathrm{\_}diag\mathrm{\_}len=min(x.shape[-2]+min(k[1],0),x.shape[-1]+min(-k[0],0))$ 。

设 x 是一个n维Tensor，shape为： $(d_1,d_2,...,d_{n-2},d_{n-1},d_n)$ 。 当 k 是一个整数或 $k[0]==k[1]$ 时， diagonal 为n-1维Tensor，shape为 $(d_1,d_2,...,d_{n-2},max\mathrm{\_}diag\mathrm{\_}len)$ 。 否则， diagonal 与 x 维度一致，其shape为 $(d_1,d_2,...,d_{n-2},num\mathrm{\_}diags,max\mathrm{\_}diag\mathrm{\_}len)$ 。

警告

这是一个实验性API，后续可能修改或删除。

参数：

• align (str，可选) - 可选字符串，指定超对角线和次对角线的对齐方式。 可选值： "RIGHT_LEFT" 、 "LEFT_RIGHT" 、 "LEFT_LEFT" 、 "RIGHT_RIGHT" 。 默认值： "RIGHT_LEFT" 。

  • "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）。

  • "LEFT_RIGHT" 表示将超对角线与左侧对齐（右侧填充行），将次对角线与右侧对齐（左侧填充行）。

  • "LEFT_LEFT" 表示将超对角线和次对角线均与左侧对齐（右侧填充行）。

  • "RIGHT_RIGHT" 表示将超对角线与次对角线均右侧对齐（左侧填充行）。

输入：

• x (Tensor) - n维Tensor，其中 $n>=2$ 。

• diagonal (Tensor) - 输入对角线Tensor，具有与 x 相同的数据类型。 当 k 是整数或 $k[0]==k[1]$ 时，其为维度 $n-1$ ，否则，其维度为 $n$ 。

• k (Tensor) - int32类型的Tensor。对角线偏移量。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，分别指定矩阵带的上界和下界，且 k[0] 不得大于 k[1] 。 其值必须在 $(-x.shape[-2],x.shape[-1])$ 中。采用图模式时，输入 k 必须是常量Tensor。

输出：

Tensor，数据类型和shape与 x 相同。

异常：

• TypeError - 若任一输入不是Tensor。

• TypeError - x 与 diagonal 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 - 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 - 对角线 diagonal 的维度与输入 x 的维度不匹配。

• ValueError - 对角线 diagonal 的shape与输入 x 不匹配。

• ValueError - 对角线 diagonal 的维度 $shape[-2]$ 不等于与对角线个数 num_diags ， $num\mathrm{\_}diags=k[1]-k[0]+1$ 。

• ValueError - k 的取值不在 $(-x.shape[-2],x.shape[-1])$ 范围内。

• ValueError - 对角线 diagonal 的维度 $shape[-1]$ 不等于最长对角线长度 max_diag_len， $max\mathrm{\_}diag\mathrm{\_}len=min(x.shape[-2]+min(k[1],0),x.shape[-1]+min(-k[0],0))$ 。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> x = Tensor(np.array([[7, 7, 7, 7],
...                      [7, 7, 7, 7],
...                      [7, 7, 7, 7]]), mindspore.float32)
>>> diagonal = Tensor(np.array([[0, 9, 1],
...                             [6, 5, 8],
...                             [1, 2, 3],
...                             [4, 5, 0]]), mindspore.float32)
>>> k =Tensor(np.array([-1, 2]), mindspore.int32)
>>> matrix_set_diag_v3 = ops.MatrixSetDiagV3(align='RIGHT_LEFT')
>>> output = matrix_set_diag_v3(x, diagonal, k)
>>> print(output)
[[1. 6. 9. 7.]
 [4. 2. 5. 1.]
 [7. 5. 3. 8.]]
>>> print(output.shape)
(3, 4)