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。

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.matrix_diag

mindspore.ops.matrix_diag(x, k=0, num_rows=- 1, num_cols=- 1, padding_value=0, align='RIGHT_LEFT')

返回一个Tensor，其k[0]到k[1]的对角线特定为给定对角线Tensor，其余值均填充为 padding_value 。 通过 num_rows 和 num_cols 指定输出最内层矩阵的维度，其维度大小需要符合要求。如果两者都没有指定，那么算子假定输出Tensor最内层的矩阵是方阵，并从输入 k 和输入 x 最内层的维度推断出输出的具体维度大小。如果 num_rows 和 num_cols 仅指定其中一个，那么算子将推导出最小的合法值作为输出的维度。 此外，当只有一条对角线时（即当k为整数或者k[0]==k[1]）， x 的第一维到倒数第二维都属于批量的范围。否则倒数第二维不属于批量的维度。

参数：

• x (Tensor) - 对角线Tensor。

• k (Union[int, Tensor], 可选) - 对角线偏移。int32类型的Tensor。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（-num_rows，num_cols）中。默认值： 0 。

• num_rows (Union[int, Tensor], 可选) - 输出Tensor的行数。int32类型的单值Tensor，若该值为-1，则表示输出Tensor的最内层矩阵是一个方阵，实际行数将由其他输入推导， 即 $num\mathrm{\_}rows=x.shape[-1]-min(k[1],0)$ ； 否则，该值必须大于或等于 $x.shape[-1]-min(k[1],0)$ 。默认值： -1 。

• num_cols (Union[int, Tensor], 可选) - 输出Tensor的列数。int32类型的单值Tensor，若该值为-1，则表示输出Tensor的最内层矩阵是一个方阵，实际列数将由其他输入推导，即 $num\mathrm{\_}cols=x.shape[-1]+max(k[0],0)$ ； 否则，该值必须大于或等于 $x.shape[-1]-min(k[1],0)$ 。默认值： -1 。

• padding_value (Union[int, float, Tensor], 可选) - 填充对角线带外区域的数值，是一个与 x 相同的数据类型的单值Tensor。默认值： 0 。

• 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）。

返回：

Tensor，与 x 的类型相同。 设 x 有r维 $(I,J,...,M,N)$ 。当只给出一条对角线（k是整数或k[0]==k[1]）时，输出Tensor的维度是r + 1，具有shape $(I,J,...,M,num\mathrm{\_}rows,num\mathrm{\_}cols)$ 。否则，输出Tensor的维度是r，具有shape $(I,J,...,num\mathrm{\_}rows,num\mathrm{\_}cols)$ 。

异常：

• TypeError - x 不为Tensor。

• TypeError - x 与 padding_value 数据类型不同。

• TypeError - k 、 num_rows 、 num_cols 数据类型不为int32。

• ValueError - k 的维度不为0或1。

• ValueError - padding_value 、 num_rows 、 num_cols 的维度不为0。

• ValueError - k 的大小不为1或2。

• ValueError - k 的取值不在 (-num_rows, num_cols) 范围内。

• ValueError - 当k[0] != k[1]时，k[1]小于k[0]。

• ValueError - 当k为整数或k[0] == k[1]时， x 的维度小于1。

• ValueError - 当k[0] != k[1]时，x 的维度小于2。

• ValueError - 当k[0] != k[1]时，x.shape[-2]不等于k[1] - k[0] + 1。

• ValueError - num_rows 和 num_cols 与 x 的维度和 k 的值不匹配。

• ValueError - align 取值不在合法值集合内。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore import ops
>>> x = Tensor(np.array([[8, 9, 0],
...                      [1, 2, 3],
...                      [0, 4, 5]]), mindspore.float32)
>>> k =Tensor(np.array([-1, 1]), mindspore.int32)
>>> num_rows = Tensor(np.array(3), mindspore.int32)
>>> num_cols = Tensor(np.array(3), mindspore.int32)
>>> padding_value = Tensor(np.array(11), mindspore.float32)
>>> output = ops.matrix_diag(x, k, num_rows, num_cols, padding_value, align='LEFT_RIGHT')
>>> print(output)
[[ 1.  8. 11.]
 [ 4.  2.  9.]
 [11.  5.  3.]]
>>> print(output.shape)
(3, 3)