pypto.Tensor.setitem#

产品支持情况#

Ascend 950PR/Ascend 950DT：支持

Atlas A3 训练系列产品/Atlas A3 推理系列产品：支持

Atlas A2 训练系列产品/Atlas A2 推理系列产品：支持

功能说明#

通过索引或切片的方式向Tensor的指定位置赋值。

函数原型#

__setitem__(self, key, value)

参数说明#

参数名	输入/输出	说明
key	输入	Tensor索引，用于定位Tensor中待赋值的位置。支持类型： - int或SymbolicScalar（符号标量）: 单个整数索引。 - slice: 切片对象。 - tuple: 多维索引的组合，类型包括：int或SymbolicScalar，slice，Ellipsis(…)。
value	输入	需要设置的值。支持类型： - Tensor：切片或混合索引赋值时使用，其shape须与索引覆盖的区域匹配。 - 标量（int或SymbolicScalar）：单元素赋值时使用，且目标Tensor须为DT_INT32类型。

返回值说明#

无返回值，原地修改目标Tensor。

约束说明#

对于slice（切片对象，格式为start:end:step），当前功能暂时不支持step设置,值默认固定为1。

未支持示例：a[1:2:2, :]。
当前功能暂时不支持bool类型索引。

未支持示例：a[True, False, True, False]。
当前功能暂时不支持Tensor类型索引。

未支持示例：a[b]，(b = pypto.Tensor([2], pypto.DT_INT32))。
混合索引（int/SymbolicScalar与slice组合）赋值时，key中slice的个数必须与value的维度数一致。
单元素赋值时，value仅支持int或SymbolicScalar类型，暂不支持float类型。

调用示例#

空切片（slice）

使用空切片对Tensor整体赋值，等价于将value整体移动到目标Tensor（move），常用于将计算结果赋给输出Tensor。当value与目标Tensor形状一致时，最终数据效果等价于全量assemble。

@pypto.frontend.jit()
def add_kernel(
   a: pypto.Tensor[[], pypto.DT_INT32], b: pypto.Tensor[[], pypto.DT_INT32], c: pypto.Tensor[[], pypto.DT_INT32]
):
   pypto.set_vec_tile_shapes(32, 32)
   c[:] = a + b

结果示例如下：

输入数据a: [[1, 2, 3, 4],
            [5, 6, 7, 8],
            [9, 10, 11, 12],
            [13, 14, 15, 16]]
输入数据b: [[1, 1, 1, 1],
            [1, 1, 1, 1],
            [1, 1, 1, 1],
            [1, 1, 1, 1]]
输出数据c: [[2, 3, 4, 5],
            [6, 7, 8, 9],
            [10, 11, 12, 13],
            [14, 15, 16, 17]]

全切片（slice）

使用切片将一个小Tensor组装到大Tensor的指定位置。

a = pypto.Tensor([4, 4], pypto.DT_FP32)
b = pypto.Tensor([2, 2], pypto.DT_FP32)
a[0:, 0:] = b #等价于assemble(b, (0, 0), a)

结果示例如下：

输入数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]
输入数据b: [[10, 10]
            [10, 10]]
输出数据a: [[10, 10, 0, 0],
            [10, 10, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]

混合索引和切片

结合整数索引和切片，可以对特定行或列进行操作。

a = pypto.Tensor([4, 4], pypto.DT_FP32)
b = pypto.Tensor([2], pypto.DT_FP32)
a[0, 1:3] = b #b被reshape为(1, 2),等价于pypto.assemble(b, (0, 1), a)

结果示例如下：

输入数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]
输入数据b: [10, 10]
输出数据a: [[0, 10, 10, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]

负索引

支持Python风格的负索引，从末尾开始计数。

a = pypto.Tensor([4, 4], pypto.DT_FP32)
b = pypto.Tensor([2], pypto.DT_FP32)
a[-1, -3:-1] = b #等价于a[3, 1:3]

结果示例如下：

输入数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]
输入数据b: [10, 10]
输出数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 10, 10, 0]]

省略号（…）

使用… 可以自动填充中间维度。

a = pypto.Tensor([4, 4], pypto.DT_FP32)
b = pypto.Tensor([2, 2], pypto.DT_FP32)
a[..., 2:4] = b #等价于a[0:2, 2:4]

结果示例如下：

输入数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]
输入数据b: [[10, 10]
            [10, 10]]
输出数据a: [[0, 0, 10, 10],
            [0, 0, 10, 10],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]

单元素赋值

整数索引，对单个元素赋值（仅支持DT_INT32类型）。

a = pypto.Tensor([4, 4], pypto.DT_INT32)
a[2, 3] = 5 #调用SetTensorData

结果示例如下：

输入数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]
输出数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 5],
            [0, 0, 0, 0]]

Scatter操作

当key为slice，key.start为int， key.stop为Tensor时(a[start:stop] )，执行scatter操作。

a = pypto.Tensor([4, 4], pypto.DT_FP32)
indices = pypto.Tensor([1, 4], pypto.DT_INT32) # 索引Tensor
values = pypto.Tensor([1, 4], pypto.DT_FP32)
# 在维度0上进行scatter
a[0:indices] = values #调用pypto.scatter(a, 0, indices, values)

结果示例如下：

输入数据a: [[0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0],
            [0, 0, 0, 0]]
输入数据indices：[[0, 1, 2, 3]]
输入数据values：[[10, 10, 10, 10]]
输出数据a: [[10, 0, 0, 0],
            [0, 10, 0, 0],
            [0, 0, 10, 0],
            [0, 0, 0, 10]]

pypto.Tensor.__setitem__#

产品支持情况#

功能说明#

函数原型#

参数说明#

返回值说明#

约束说明#

调用示例#

pypto.Tensor.setitem#