torch_npu.npu_scatter_nd_update_

功能描述

将updates中的值按指定的索引indices更新input中的值，并将结果保存到输出tensor，input中的数据被改变。

接口原型

torch_npu.npu_scatter_nd_update_(Tensor(a!) input, Tensor indices, Tensor updates) -> Tensor(a!)

参数说明

• input：Device侧的Tensor类型，必选输入，源数据张量，数据格式支持ND，支持非连续的Tensor，数据类型需要与updates一致，维数只能是1~8维。
  • Atlas 推理系列加速卡产品：数据类型支持FLOAT32、FLOAT16、BOOL。
  • Atlas 训练系列产品：数据类型支持FLOAT32、FLOAT16、BOOL。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持FLOAT32、FLOAT16、BOOL、BFLOAT16、INT64。
  • Atlas A3 训练系列产品：数据类型支持FLOAT32、FLOAT16、BOOL、BFLOAT16、INT64。
• indices：Device侧的Tensor类型，必选输入，索引张量，数据类型支持INT32、INT64，数据格式支持ND，支持非连续的Tensor，indices中的索引数据不支持越界。
• updates：Device侧的Tensor类型，必选输入，更新数据张量，数据格式支持ND，支持非连续的Tensor，数据类型需要与input一致。
  • Atlas 推理系列加速卡产品：数据类型支持FLOAT32、FLOAT16、BOOL。
  • Atlas 训练系列产品：数据类型支持FLOAT32、FLOAT16、BOOL。
  • Atlas A2 训练系列产品/Atlas 800I A2 推理产品：数据类型支持FLOAT32、FLOAT16、BOOL、BFLOAT16、INT64。
  • Atlas A3 训练系列产品：数据类型支持FLOAT32、FLOAT16、BOOL、BFLOAT16、INT64。

输出说明

返回被更新后的input。

约束说明

• 该接口支持图模式（目前仅支持PyTorch 2.1版本）。
• indices至少是2维，其最后1维的大小不能超过input维度大小。
• 假设indices最后1维的大小是a，则updates的shape等于indices除最后1维外的shape加上input除前a维外的shape。举例：input的shape是(4, 5, 6)，indices的shape是(3, 2)，则updates的shape必须是(3, 6)。

支持的型号

• Atlas A2 训练系列产品/Atlas 800I A2 推理产品
• Atlas 训练系列产品
• Atlas 推理系列产品
• Atlas A3 训练系列产品

调用示例

• 单算子模式调用

  1 2 3 4 5 6 7 8 9 10 11 12 13 14

  import torch import torch_npu import numpy as np data_var = np.random.uniform(0, 1, [24, 128]).astype(np.float16) var = torch.from_numpy(data_var).to(torch.float16).npu() data_indices = np.random.uniform(0, 12, [12, 1]).astype(np.int32) indices = torch.from_numpy(data_indices).to(torch.int32).npu() data_updates = np.random.uniform(1, 2, [12, 128]).astype(np.float16) updates = torch.from_numpy(data_updates).to(torch.float16).npu() torch_npu.npu_scatter_nd_update_(var, indices, updates)

• 图模式调用

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

  import os import torch_npu import torchair as tng from torchair.configs.compiler_config import CompilerConfig import torch.nn as nn import torch import numpy as np import numpy torch_npu.npu.set_compile_mode(jit_compile=True) os.environ["ENABLE_ACLNN"] = "false" class Network(nn.Module): def __init__(self): super(Network, self).__init__() def forward(self, var, indices, update): # 调用目标接口 res = torch_npu.npu_scatter_nd_update_(var, indices, update) return res npu_mode = Network() config = CompilerConfig() npu_backend = tng.get_npu_backend(compiler_config=config) npu_mode = torch.compile(npu_mode, fullgraph=True, backend=npu_backend, dynamic=False) dtype = np.float32 x = [33 ,5] indices = [33,25,1] update = [33,25,5] data_x = np.random.uniform(0, 1, x).astype(dtype) data_indices = np.random.uniform(0, 10, indices).astype(dtype) data_update = np.random.uniform(0, 1, update).astype(dtype) tensor_x = torch.from_numpy(data_x).to(torch.float16) tensor_indices = torch.from_numpy(data_indices).to(torch.int32) tensor_update = torch.from_numpy(data_update).to(torch.float16) # 传参 print(npu_mode(tensor_x.npu(), tensor_indices.npu(), tensor_update.npu()))