ScatterND

ScatterND - 18

版本

  • 名稱: ScatterND (GitHub)

  • 網域: main

  • since_version: 18

  • 函數: False

  • 支援等級: SupportType.COMMON

  • 形狀推論: True

此版本的運算子自版本 18 起可用。

摘要

ScatterND 採用三個輸入：等級 r >= 1 的 data 張量、等級 q >= 1 的 indices 張量，以及等級 q + r - indices.shape[-1] - 1 的 updates 張量。此運算的輸出是透過建立輸入 data 的副本，然後將其值更新為 updates 所指定的值，並以 indices 所指定的特定索引位置進行。其輸出形狀與 data 的形狀相同。

indices 是整數張量。讓 k 表示 indices.shape[-1]，indices 形狀中的最後一個維度。indices 被視為 k 元組的 (q-1) 維張量，其中每個 k 元組是 data 的部分索引。因此，k 的值最多可以是 data 的等級。當 k 等於 rank(data) 時，每個更新項目會指定張量單一元素的更新。當 k 小於 rank(data) 時，每個更新項目會指定張量切片的更新。索引值允許為負數，依據從結尾倒數的慣例，但預期在有效範圍內。

updates 被視為替換切片值的 (q-1) 維張量。因此，updates.shape 的前 (q-1) 個維度必須與 indices.shape 的前 (q-1) 個維度相符。 updates 的其餘維度對應於替換切片值的維度。每個替換切片值都是 (r-k) 維張量，對應於 data 的尾端 (r-k) 維度。因此，updates 的形狀必須等於 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形狀的串連。

output 是透過下列方程式計算得出

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

上述迴圈中的疊代順序並未指定。特別是，索引不應有重複的項目：也就是說，如果 idx1 != idx2，則 indices[idx1] != indices[idx2]。這確保輸出值不取決於疊代順序。

reduction 允許指定選用的縮減運算，此運算會應用於 updates 張量中的所有值，將值寫入 output 中指定的 indices。在 reduction 設定為「none」的情況下，索引不應有重複的項目：也就是說，如果 idx1 != idx2，則 indices[idx1] != indices[idx2]。這確保輸出值不取決於疊代順序。當 reduction 設定為某個縮減函數 f 時，output 的計算方式如下

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。

此運算子是 GatherND 的相反運算。

(Opset 18 變更)：將 max/min 新增至允許的縮減運算集合中。

範例 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]

範例 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]]]

屬性

  • reduction - 字串 (預設為 'none')

    要套用的縮減類型：none (預設)、add、mul、max、min。‘none’: 未套用縮減。‘add’: 使用加法運算的縮減。‘mul’: 使用加法運算的縮減。‘max’: 使用最大值運算的縮減。‘min’: 使用最小值運算的縮減。

輸入

  • data (異質) - T

    等級 r >= 1 的張量。

  • indices (異質) - tensor(int64)

    等級 q >= 1 的張量。

  • updates (異質) - T

    等級 q + r - indices_shape[-1] - 1 的張量。

輸出

  • output (異質) - T

    等級 r >= 1 的張量。

類型限制

  • T in ( 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) )

    將輸入和輸出類型限制為任何張量類型。

ScatterND - 16

版本

  • 名稱: ScatterND (GitHub)

  • 網域: main

  • since_version: 16

  • 函數: False

  • 支援等級: SupportType.COMMON

  • 形狀推論: True

此版本的運算子自版本 16 起可用。

摘要

ScatterND 採用三個輸入：等級 r >= 1 的 data 張量、等級 q >= 1 的 indices 張量，以及等級 q + r - indices.shape[-1] - 1 的 updates 張量。此運算的輸出是透過建立輸入 data 的副本，然後將其值更新為 updates 所指定的值，並以 indices 所指定的特定索引位置進行。其輸出形狀與 data 的形狀相同。

indices 是整數張量。讓 k 表示 indices.shape[-1]，indices 形狀中的最後一個維度。indices 被視為 k 元組的 (q-1) 維張量，其中每個 k 元組是 data 的部分索引。因此，k 的值最多可以是 data 的等級。當 k 等於 rank(data) 時，每個更新項目會指定張量單一元素的更新。當 k 小於 rank(data) 時，每個更新項目會指定張量切片的更新。索引值允許為負數，依據從結尾倒數的慣例，但預期在有效範圍內。

updates 被視為替換切片值的 (q-1) 維張量。因此，updates.shape 的前 (q-1) 個維度必須與 indices.shape 的前 (q-1) 個維度相符。 updates 的其餘維度對應於替換切片值的維度。每個替換切片值都是 (r-k) 維張量，對應於 data 的尾端 (r-k) 維度。因此，updates 的形狀必須等於 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形狀的串連。

output 的計算方式如下：output = np.copy(data) update_indices = indices.shape[:-1] for idx in np.ndindex(update_indices): output[indices[idx]] = updates[idx] 上述迴圈中的疊代順序並未指定。特別是，索引不應有重複的項目：也就是說，如果 idx1 != idx2，則 indices[idx1] != indices[idx2]。這確保輸出值不取決於疊代順序。

reduction 允許指定一個可選的歸約操作，該操作會應用於 updates 張量中的所有值，並將結果寫入到指定 indices 位置的 output 中。當 reduction 設為 “none” 時，索引不應包含重複的條目：也就是說，如果 idx1 != idx2，則 indices[idx1] != indices[idx2]。這樣可以確保輸出的值不依賴於迭代順序。當 reduction 設為 “add” 時，output 的計算方式如下： output = np.copy(data) update_indices = indices.shape[:-1] for idx in np.ndindex(update_indices): output[indices[idx]] += updates[idx] 當 reduction 設為 “mul” 時，output 的計算方式如下： output = np.copy(data) update_indices = indices.shape[:-1] for idx in np.ndindex(update_indices): output[indices[idx]] *= updates[idx] 此運算子是 GatherND 的逆運算。範例 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]

範例 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]]]

屬性

  • reduction - 字串 (預設為 'none')

    要應用的歸約類型：none（預設值）、add、mul。 ‘none’：不應用歸約。 ‘add’：使用加法運算進行歸約。 ‘mul’：使用乘法運算進行歸約。

輸入

  • data (異質) - T

    等級 r >= 1 的張量。

  • indices (異質) - tensor(int64)

    等級 q >= 1 的張量。

  • updates (異質) - T

    等級 q + r - indices_shape[-1] - 1 的張量。

輸出

  • output (異質) - T

    等級 r >= 1 的張量。

類型約束

  • T in ( 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) )

    將輸入和輸出類型限制為任何張量類型。

ScatterND - 13

版本

  • 名稱: ScatterND (GitHub)

  • 網域: main

  • since_version: 13

  • 函數: False

  • 支援等級: SupportType.COMMON

  • 形狀推論: True

此運算子的版本已於 13 版 開始提供。

摘要

ScatterND 接受三個輸入：rank 為 r >= 1 的 data 張量、rank 為 q >= 1 的 indices 張量，以及 rank 為 q + r - indices.shape[-1] - 1 的 updates 張量。此運算的輸出是透過建立輸入 data 的副本，然後將其值更新為 updates 指定的值，並更新的位置由 indices 指定。其輸出形狀與 data 的形狀相同。請注意，indices 不應包含重複的條目。也就是說，不支援對同一個索引位置進行兩個或多個 updates。

indices 是整數張量。讓 k 表示 indices.shape[-1]，indices 形狀中的最後一個維度。indices 被視為 k 元組的 (q-1) 維張量，其中每個 k 元組是 data 的部分索引。因此，k 的值最多可以是 data 的等級。當 k 等於 rank(data) 時，每個更新項目會指定張量單一元素的更新。當 k 小於 rank(data) 時，每個更新項目會指定張量切片的更新。索引值允許為負數，依據從結尾倒數的慣例，但預期在有效範圍內。

updates 被視為替換切片值的 (q-1) 維張量。因此，updates.shape 的前 (q-1) 個維度必須與 indices.shape 的前 (q-1) 個維度相符。 updates 的其餘維度對應於替換切片值的維度。每個替換切片值都是 (r-k) 維張量，對應於 data 的尾端 (r-k) 維度。因此，updates 的形狀必須等於 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形狀的串連。

output 是透過下列方程式計算得出

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

上述迴圈中的疊代順序並未指定。特別是，索引不應有重複的項目：也就是說，如果 idx1 != idx2，則 indices[idx1] != indices[idx2]。這確保輸出值不取決於疊代順序。

此運算子是 GatherND 的相反運算。

範例 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]

範例 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]]]

輸入

  • data (異質) - T

    等級 r >= 1 的張量。

  • indices (異質) - tensor(int64)

    等級 q >= 1 的張量。

  • updates (異質) - T

    等級 q + r - indices_shape[-1] - 1 的張量。

輸出

  • output (異質) - T

    等級 r >= 1 的張量。

類型約束

  • T in ( 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) )

    將輸入和輸出類型限制為任何張量類型。

ScatterND - 11

版本

  • 名稱: ScatterND (GitHub)

  • 網域: main

  • since_version: 11

  • 函數: False

  • 支援等級: SupportType.COMMON

  • 形狀推論: True

此運算子的版本已於 11 版 開始提供。

摘要

ScatterND 接受三個輸入：rank 為 r >= 1 的 data 張量、rank 為 q >= 1 的 indices 張量，以及 rank 為 q + r - indices.shape[-1] - 1 的 updates 張量。此運算的輸出是透過建立輸入 data 的副本，然後將其值更新為 updates 指定的值，並更新的位置由 indices 指定。其輸出形狀與 data 的形狀相同。請注意，indices 不應包含重複的條目。也就是說，不支援對同一個索引位置進行兩個或多個 updates。

indices 是整數張量。讓 k 表示 indices.shape[-1]，indices 形狀中的最後一個維度。indices 被視為 k 元組的 (q-1) 維張量，其中每個 k 元組是 data 的部分索引。因此，k 的值最多可以是 data 的等級。當 k 等於 rank(data) 時，每個更新項目會指定張量單一元素的更新。當 k 小於 rank(data) 時，每個更新項目會指定張量切片的更新。索引值允許為負數，依據從結尾倒數的慣例，但預期在有效範圍內。

updates 被視為替換切片值的 (q-1) 維張量。因此，updates.shape 的前 (q-1) 個維度必須與 indices.shape 的前 (q-1) 個維度相符。 updates 的其餘維度對應於替換切片值的維度。每個替換切片值都是 (r-k) 維張量，對應於 data 的尾端 (r-k) 維度。因此，updates 的形狀必須等於 indices.shape[0:q-1] ++ data.shape[k:r-1]，其中 ++ 表示形狀的串連。

output 是透過下列方程式計算得出

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

上述迴圈中的疊代順序並未指定。特別是，索引不應有重複的項目：也就是說，如果 idx1 != idx2，則 indices[idx1] != indices[idx2]。這確保輸出值不取決於疊代順序。

此運算子是 GatherND 的相反運算。

範例 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]

範例 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]]]

輸入

  • data (異質) - T

    等級 r >= 1 的張量。

  • indices (異質) - tensor(int64)

    等級 q >= 1 的張量。

  • updates (異質) - T

    等級 q + r - indices_shape[-1] - 1 的張量。

輸出

  • output (異質) - T

    等級 r >= 1 的張量。

類型約束

  • T in ( 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) )

    將輸入和輸出類型限制為任何張量類型。