mindspore.ops.matrix_diag

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

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_rowsnum_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_rowsnum_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) - int32类型的Tensor。对角线偏移。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) - int32类型的单值Tensor,表示输出Tensor的行数。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。默认值:-1。

  • num_cols (Union[int, Tensor], 可选) - int32类型的单值Tensor,表示输出Tensor的列数。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。默认值:-1。

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

  • align (str, 可选) - 一个字符串,指定超对角线和次对角线的对齐方式。可选字符串有:RIGHT_LEFT、”LEFT_RIGHT”、”LEFT_LEFT”、”RIGHT_RIGHT”。例如,”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)。默认值:”RIGHT_LEFT”。

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_rows,num_cols) 。否则,输出Tensor的维度是r,具有shape (I,J,…,num_rows,num_cols)

异常:
  • TypeError - x 不为Tensor。

  • TypeError - xpadding_value 数据类型不同。

  • TypeError - knum_rowsnum_cols 数据类型不为int32。

  • ValueError - k 的维度不为0或1。

  • ValueError - padding_valuenum_rowsnum_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_rowsnum_colsx 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)