ScatterND

ScatterND - 18

版本

  • 名称: ScatterND (GitHub)

  • 域: main

  • 起始版本: 18

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的操作符自版本 18 起可用。

摘要

ScatterND 接收三个输入：秩为 r >= 1 的 data 张量，秩为 q >= 1 的 indices 张量，以及秩为 q + r - indices.shape[-1] - 1 的 updates 张量。该操作通过创建输入 data 的副本，然后使用 indices 指定的特定索引位置上的 updates 值来更新它，从而产生输出。其输出形状与 data 的形状相同。

indices 是一个整数张量。令 k 表示 indices.shape[-1]，即 indices 形状的最后一个维度。 indices 被视为一个 (q-1) 维的 k 元组张量，其中每个 k 元组是 data 的一个部分索引。因此，k 的值最多可以是 data 的秩。当 k 等于 rank(data) 时，每个更新条目指定对张量单个元素的更新。当 k 小于 rank(data) 时，每个更新条目指定对张量一个切片的更新。索引值允许为负数，按照通常的从末尾倒数计数的约定，但应在有效范围内。

updates 被视为一个 (q-1) 维的替换切片值张量。因此，updates.shape 的前 (q-1) 个维度必须与 indices.shape 的前 (q-1) 个维度匹配。 updates 的其余维度对应于替换切片值 values 的维度。每个替换切片值是一个 (r-k) 维张量，对应于 data 的尾部 (r-k) 维度。因此， updates 的形状必须等于 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形状的连接。

output 通过以下方程计算：

output = np.copy(data)
update_indices = indices.shape[:-1]
for idx in np.ndindex(update_indices):
    output[indices[idx]] = updates[idx]

上述循环中的迭代顺序未指定。特别是，indices 不应有重复条目：即，如果 idx1 != idx2，则 indices[idx1] != indices[idx2]。这确保了输出值不依赖于迭代顺序。

reduction 允许指定一个可选的归约操作，该操作应用于 updates 张量中的所有值，并在指定的 indices 处应用到 output 中。当 reduction 设置为“none”时，indices 不应有重复条目：即，如果 idx1 != idx2，则 indices[idx1] != indices[idx2]。这确保了输出值不依赖于迭代顺序。当 reduction 设置为某个归约函数 f 时， output 计算如下：

output = np.copy(data)
update_indices = indices.shape[:-1]
for idx in np.ndindex(update_indices):
    output[indices[idx]] = f(output[indices[idx]], updates[idx])

其中 f 是 +, *, max 或 min，如指定所示。

此运算符是 GatherND 的逆运算。

(Opset 18 更改)：将 max/min 添加到允许的归约操作集中。

示例 1

data    = [1, 2, 3, 4, 5, 6, 7, 8]
indices = [[4], [3], [1], [7]]
updates = [9, 10, 11, 12]
output  = [1, 11, 3, 10, 9, 6, 7, 12]

示例 2

data    = [[[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
            [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
            [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]],
            [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]
indices = [[0], [2]]
updates = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
            [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]]]
output  = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
            [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
            [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]],
            [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]

属性

  • reduction - STRING (默认值为 'none')

    要应用的归约类型：none (默认)，add，mul，max，min。“none”：不应用归约。“add”：使用加法运算进行归约。“mul”：使用加法运算进行归约。“max”：使用最大值运算进行归约。“min”：使用最小值运算进行归约。

输入

  • data (异构) - T

    秩 r >= 1 的张量。

  • indices (异构) - tensor(int64)

    秩为 q >= 1 的张量。

  • updates (异构) - T

    秩为 q + r - indices_shape[-1] - 1 的张量。

输出

  • 输出 (异构) - T

    秩 r >= 1 的张量。

类型约束

  • T 在 ( tensor(bfloat16), tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) ) 中

    将输入和输出类型限制为任何张量类型。

ScatterND - 16

版本

  • 名称: ScatterND (GitHub)

  • 域: main

  • since_version: 16

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 16 起可用。

摘要

ScatterND 接收三个输入：秩为 r >= 1 的 data 张量，秩为 q >= 1 的 indices 张量，以及秩为 q + r - indices.shape[-1] - 1 的 updates 张量。该操作通过创建输入 data 的副本，然后使用 indices 指定的特定索引位置上的 updates 值来更新它，从而产生输出。其输出形状与 data 的形状相同。

indices 是一个整数张量。令 k 表示 indices.shape[-1]，即 indices 形状的最后一个维度。 indices 被视为一个 (q-1) 维的 k 元组张量，其中每个 k 元组是 data 的一个部分索引。因此，k 的值最多可以是 data 的秩。当 k 等于 rank(data) 时，每个更新条目指定对张量单个元素的更新。当 k 小于 rank(data) 时，每个更新条目指定对张量一个切片的更新。索引值允许为负数，按照通常的从末尾倒数计数的约定，但应在有效范围内。

updates 被视为一个 (q-1) 维的替换切片值张量。因此，updates.shape 的前 (q-1) 个维度必须与 indices.shape 的前 (q-1) 个维度匹配。 updates 的其余维度对应于替换切片值 values 的维度。每个替换切片值是一个 (r-k) 维张量，对应于 data 的尾部 (r-k) 维度。因此， updates 的形状必须等于 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形状的连接。

output 通过以下方程计算： output = np.copy(data) update_indices = indices.shape[:-1] for idx in np.ndindex(update_indices): output[indices[idx]] = updates[idx] 上述循环中的迭代顺序未指定。特别是，indices 不应有重复条目：即，如果 idx1 != idx2，则 indices[idx1] != indices[idx2]。这确保了输出值不依赖于迭代顺序。

reduction 允许指定一个可选的归约操作，该操作应用于 updates 张量中的所有值，并在指定的 indices 处应用到 output 中。当 reduction 设置为“none”时，indices 不应有重复条目：即，如果 idx1 != idx2，则 indices[idx1] != indices[idx2]。这确保了输出值不依赖于迭代顺序。当 reduction 设置为“add”时， output 计算如下： output = np.copy(data) update_indices = indices.shape[:-1] for idx in np.ndindex(update_indices): output[indices[idx]] += updates[idx] 当 reduction 设置为“mul”时， output 计算如下： output = np.copy(data) update_indices = indices.shape[:-1] for idx in np.ndindex(update_indices): output[indices[idx]] *= updates[idx] 此运算符是 GatherND 的逆运算。示例 1

  data    = [1, 2, 3, 4, 5, 6, 7, 8]
  indices = [[4], [3], [1], [7]]
  updates = [9, 10, 11, 12]
  output  = [1, 11, 3, 10, 9, 6, 7, 12]

示例 2

  data    = [[[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]
  indices = [[0], [2]]
  updates = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
             [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]]]
  output  = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
             [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]

属性

  • reduction - STRING (默认值为 'none')

    要应用的归约类型：none (默认)，add，mul。“none”：不应用归约。“add”：使用加法运算进行归约。“mul”：使用乘法运算进行归约。

输入

  • data (异构) - T

    秩 r >= 1 的张量。

  • indices (异构) - tensor(int64)

    秩为 q >= 1 的张量。

  • updates (异构) - T

    秩为 q + r - indices_shape[-1] - 1 的张量。

输出

  • 输出 (异构) - T

    秩 r >= 1 的张量。

类型约束

  • T 在 ( tensor(bfloat16), tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) ) 中

    将输入和输出类型限制为任何张量类型。

ScatterND - 13

版本

  • 名称: ScatterND (GitHub)

  • 域: main

  • 起始版本: 13

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 13 起可用。

摘要

ScatterND 接收三个输入：秩为 r >= 1 的 data 张量，秩为 q >= 1 的 indices 张量，以及秩为 q + r - indices.shape[-1] - 1 的 updates 张量。该操作通过创建输入 data 的副本，然后使用 indices 指定的特定索引位置上的 updates 值来更新它，从而产生输出。其输出形状与 data 的形状相同。请注意，indices 不应有重复条目。也就是说，不支持对同一索引位置的两个或多个 updates。

indices 是一个整数张量。令 k 表示 indices.shape[-1]，即 indices 形状的最后一个维度。 indices 被视为一个 (q-1) 维的 k 元组张量，其中每个 k 元组是 data 的一个部分索引。因此，k 的值最多可以是 data 的秩。当 k 等于 rank(data) 时，每个更新条目指定对张量单个元素的更新。当 k 小于 rank(data) 时，每个更新条目指定对张量一个切片的更新。索引值允许为负数，按照通常的从末尾倒数计数的约定，但应在有效范围内。

updates 被视为一个 (q-1) 维的替换切片值张量。因此，updates.shape 的前 (q-1) 个维度必须与 indices.shape 的前 (q-1) 个维度匹配。 updates 的其余维度对应于替换切片值 values 的维度。每个替换切片值是一个 (r-k) 维张量，对应于 data 的尾部 (r-k) 维度。因此， updates 的形状必须等于 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形状的连接。

output 通过以下方程计算：

output = np.copy(data)
update_indices = indices.shape[:-1]
for idx in np.ndindex(update_indices):
    output[indices[idx]] = updates[idx]

上述循环中的迭代顺序未指定。特别是，indices 不应有重复条目：即，如果 idx1 != idx2，则 indices[idx1] != indices[idx2]。这确保了输出值不依赖于迭代顺序。

此运算符是 GatherND 的逆运算。

示例 1

  data    = [1, 2, 3, 4, 5, 6, 7, 8]
  indices = [[4], [3], [1], [7]]
  updates = [9, 10, 11, 12]
  output  = [1, 11, 3, 10, 9, 6, 7, 12]

示例 2

  data    = [[[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]
  indices = [[0], [2]]
  updates = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
             [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]]]
  output  = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
             [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]

输入

  • data (异构) - T

    秩 r >= 1 的张量。

  • indices (异构) - tensor(int64)

    秩为 q >= 1 的张量。

  • updates (异构) - T

    秩为 q + r - indices_shape[-1] - 1 的张量。

输出

  • 输出 (异构) - T

    秩 r >= 1 的张量。

类型约束

  • T 在 ( tensor(bfloat16), tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) ) 中

    将输入和输出类型限制为任何张量类型。

ScatterND - 11

版本

  • 名称: ScatterND (GitHub)

  • 域: main

  • 起始版本: 11

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自 版本 11 起可用。

摘要

ScatterND 接收三个输入：秩为 r >= 1 的 data 张量，秩为 q >= 1 的 indices 张量，以及秩为 q + r - indices.shape[-1] - 1 的 updates 张量。该操作通过创建输入 data 的副本，然后使用 indices 指定的特定索引位置上的 updates 值来更新它，从而产生输出。其输出形状与 data 的形状相同。请注意，indices 不应有重复条目。也就是说，不支持对同一索引位置的两个或多个 updates。

indices 是一个整数张量。令 k 表示 indices.shape[-1]，即 indices 形状的最后一个维度。 indices 被视为一个 (q-1) 维的 k 元组张量，其中每个 k 元组是 data 的一个部分索引。因此，k 的值最多可以是 data 的秩。当 k 等于 rank(data) 时，每个更新条目指定对张量单个元素的更新。当 k 小于 rank(data) 时，每个更新条目指定对张量一个切片的更新。索引值允许为负数，按照通常的从末尾倒数计数的约定，但应在有效范围内。

updates 被视为一个 (q-1) 维的替换切片值张量。因此，updates.shape 的前 (q-1) 个维度必须与 indices.shape 的前 (q-1) 个维度匹配。 updates 的其余维度对应于替换切片值 values 的维度。每个替换切片值是一个 (r-k) 维张量，对应于 data 的尾部 (r-k) 维度。因此， updates 的形状必须等于 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形状的连接。

output 通过以下方程计算：

output = np.copy(data)
update_indices = indices.shape[:-1]
for idx in np.ndindex(update_indices):
    output[indices[idx]] = updates[idx]

上述循环中的迭代顺序未指定。特别是，indices 不应有重复条目：即，如果 idx1 != idx2，则 indices[idx1] != indices[idx2]。这确保了输出值不依赖于迭代顺序。

此运算符是 GatherND 的逆运算。

示例 1

  data    = [1, 2, 3, 4, 5, 6, 7, 8]
  indices = [[4], [3], [1], [7]]
  updates = [9, 10, 11, 12]
  output  = [1, 11, 3, 10, 9, 6, 7, 12]

示例 2

  data    = [[[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]
  indices = [[0], [2]]
  updates = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
             [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]]]
  output  = [[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
             [[1, 2, 3, 4], [5, 6, 7, 8], [8, 7, 6, 5], [4, 3, 2, 1]],
             [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]],
             [[8, 7, 6, 5], [4, 3, 2, 1], [1, 2, 3, 4], [5, 6, 7, 8]]]

输入

  • data (异构) - T

    秩 r >= 1 的张量。

  • indices (异构) - tensor(int64)

    秩为 q >= 1 的张量。

  • updates (异构) - T

    秩为 q + r - indices_shape[-1] - 1 的张量。

输出

  • 输出 (异构) - T

    秩 r >= 1 的张量。

类型约束

  • T 在 ( tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) ) 中

    将输入和输出类型限制为任何张量类型。