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.Tensor.scatter_add

mindspore.Tensor.scatter_add(dim, index, src)

将 src 中所有的元素添加到 self 中 index 指定的索引处。 其中 dim 控制scatter_add操作的轴。 self 、 index 、 src 三者的rank都必须大于或等于1。

下面看一个三维的例子：

self[index[i][j][k]][j][k] += src[i][j][k]  # if dim == 0

self[i][index[i][j][k]][k] += src[i][j][k]  # if dim == 1

self[i][j][index[i][j][k]] += src[i][j][k]  # if dim == 2

说明

输入Tensor self 的rank必须大于等于1。

参数：

• dim (int) - self 执行scatter_add操作的轴。取值范围是[-r, r)，其中r是 self 的rank。

• index (Tensor) - self 要进行scatter_add操作的目标索引。数据类型为int32或int64，rank必须和 self 一致。除了 dim 指定的维度， index 的每一维的size都需要小于等于 self 对应维度的size。

• src (Tensor) - 指定与 self 进行scatter_add操作的Tensor，其数据类型与 self 类型相同，shape中每一维的size必须大于等于 index 。

返回：

Tensor，shape和数据类型与输入 self 相同。

异常：

• TypeError - index 的数据类型不满足int32或int64。

• ValueError - self 、 index 和 src 中，任意一者的rank小于1。

• ValueError - self 、 index 和 src 的rank不一致。

• ValueError - 除了 dim 指定的维度， index 的任意维的size大于 self 对应维度的size。

• ValueError - src 任意维度size小于 index 对应维度的size。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import Tensor
>>> input = Tensor(np.array([[1, 2, 3, 4, 5]]), dtype=ms.float32)
>>> src = Tensor(np.array([[8, 8]]), dtype=ms.float32)
>>> index = Tensor(np.array([[2, 4]]), dtype=ms.int64)
>>> out = input.scatter_add(dim=1, index=index, src=src)
>>> print(out)
[[1. 2. 11. 4. 13.]]
>>> input = Tensor(np.zeros((5, 5)), dtype=ms.float32)
>>> src = Tensor(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), dtype=ms.float32)
>>> index = Tensor(np.array([[0, 0, 0], [2, 2, 2], [4, 4, 4]]), dtype=ms.int64)
>>> out = input.scatter_add(dim=0, index=index, src=src)
>>> print(out)
[[1. 2. 3. 0. 0.]
 [0. 0. 0. 0. 0.]
 [4. 5. 6. 0. 0.]
 [0. 0. 0. 0. 0.]
 [7. 8. 9. 0. 0.]]
>>> input = Tensor(np.zeros((5, 5)), dtype=ms.float32)
>>> src = Tensor(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), dtype=ms.float32)
>>> index = Tensor(np.array([[0, 2, 4], [0, 2, 4], [0, 2, 4]]), dtype=ms.int64)
>>> out = input.scatter_add(dim=1, index=index, src=src)
>>> print(out)
[[1. 0. 2. 0. 3.]
 [4. 0. 5. 0. 6.]
 [7. 0. 8. 0. 9.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]]

mindspore.Tensor.scatter_add(indices, updates)

根据指定的更新值 updates 和输入索引 indices ，通过相加运算更新输入Tensor的值。当同一索引有不同值时，更新的结果将是所有值的总和。此操作与 mindspore.ops.scatter_nd_add() 类似，但更新后的结果是返回一个新的输出Tensor，而不是直接更新 self 。

indices 的最后一个轴是每个索引向量的深度。对于每个索引向量， updates 中必须有相应的值。 updates 的shape应该等于 self[indices] 的shape。有关更多详细信息，请参见样例。

$$output\left[indices\right]=input\mathrm{\_}x+update$$

说明

输入Tensor self 的维度必须不小于 indices.shape[-1] 。

如果 indices 中的值超出输入 self 索引范围：

• GPU平台上相应的 updates 不会更新到 self 且不会抛出索引错误。

• CPU平台上直接抛出索引错误。

• Ascend平台不支持越界检查，若越界可能会造成未知错误。

参数：

• indices (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank至少为2。

• updates (Tensor) - 指定与 self 相加操作的Tensor，其数据类型与 self 相同。并且其shape应等于 $indices.shape[:-1]+input\mathrm{\_}x.shape[indices.shape[-1]:]$ 。

返回：

Tensor，shape和数据类型与输入 self 相同。

异常：

• TypeError - indices 的数据类型不为int32或int64。

• ValueError - self 的rank小于 indices.shape 的最后一维。

• RuntimeError - 在CPU平台中，indices 中的值超出了 self 的索引范围。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor
>>> input_x = Tensor(np.array([[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]]), mindspore.float32)
>>> indices = Tensor(np.array([[0, 0], [0, 0]]), mindspore.int32)
>>> updates = Tensor(np.array([1.0, 2.2]), mindspore.float32)
>>> output = input_x.scatter_add(indices, updates)
>>> print(output)
[[ 3.1  0.3  3.6]
 [ 0.4  0.5 -3.2]]