forked from mindspore-Ecosystem/mindspore
modify the format of API files
This commit is contained in:
zhangyi
parent
740776ac05
commit
60a1042e19
|
|
@ -16,24 +16,20 @@ mindspore.ops.Gamma
|
|||
- 全局的随机种子未设置，算子层的随机种子设置了：使用默认的全局的随机种子，和算子层的随机种子拼接。
|
||||
- 全局的随机种子和算子层的随机种子都设置了：全局的随机种子和算子层的随机种子拼接。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **seed** (int) - 算子层的随机种子，用于生成随机数。必须是非负的。默认值：0。
|
||||
- **seed2** (int) - 全局的随机种子，和算子层的随机种子共同决定最终生成的随机数。必须是非负的。默认值：0。
|
||||
|
||||
- **seed** (int) - 算子层的随机种子，用于生成随机数。必须是非负的。默认值：0。
|
||||
- **seed2** (int) - 全局的随机种子，和算子层的随机种子共同决定最终生成的随机数。必须是非负的。默认值：0。
|
||||
输入：
|
||||
- **shape** (tuple) - 待生成的随机Tensor的shape。只支持常量值。
|
||||
- **alpha** (Tensor) - α为Gamma分布的shape parameter，主要决定了曲线的形状。其值必须大于0。数据类型为float32。
|
||||
- **beta** (Tensor) - β为Gamma分布的inverse scale parameter，主要决定了曲线有多陡。其值必须大于0。数据类型为float32。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor。shape是输入 `shape`， `alpha`， `beta` 广播后的shape。数据类型为float32。
|
||||
|
||||
- **shape** (tuple) - 待生成的随机Tensor的shape。只支持常量值。
|
||||
- **alpha** (Tensor) - α为Gamma分布的shape parameter，主要决定了曲线的形状。其值必须大于0。数据类型为float32。
|
||||
- **beta** (Tensor) - β为Gamma分布的inverse scale parameter，主要决定了曲线有多陡。其值必须大于0。数据类型为float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor。shape是输入 `shape`， `alpha`， `beta` 广播后的shape。数据类型为float32。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `seed` 或 `seed2` 的数据类型不是int。
|
||||
- **TypeError** - `alpha` 或 `beta` 不是Tensor。
|
||||
- **TypeError** - `alpha` 或 `beta` 的数据类型不是float32。
|
||||
- **ValueError** - `shape` 不是常量值。
|
||||
异常：
|
||||
- **TypeError** - `seed` 或 `seed2` 的数据类型不是int。
|
||||
- **TypeError** - `alpha` 或 `beta` 不是Tensor。
|
||||
- **TypeError** - `alpha` 或 `beta` 的数据类型不是float32。
|
||||
- **ValueError** - `shape` 不是常量值。
|
||||
|
|
|
|||
|
|
@ -15,15 +15,12 @@ mindspore.ops.GeLU
|
|||
|
||||
其中 :math:`P` 是标准高斯分布的累积分布函数， :math:`x_i` 是输入的元素。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **x** (Tensor) - 激活函数GeLU的输入，数据类型为float16或float32。
|
||||
|
||||
- **x** (Tensor) - 激活函数GeLU的输入，数据类型为float16或float32。
|
||||
输出：
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
|
|
|
|||
|
|
@ -8,17 +8,14 @@ mindspore.ops.GetNext
|
|||
.. note::
|
||||
GetNext操作需要联网，且依赖'dataset'接口，例如： :class:`mindspore.dataset.MnistDataset` 。不能单独操作。详见 :class:`mindspore.connect_network_with_dataset` 的源码。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **types** (list[:class:`mindspore.dtype`]) - 输出的数据类型。
|
||||
- **shapes** (list[tuple[int]]) - 输出数据的shape大小。
|
||||
- **output_num** (int) - 输出编号、 `types` 和 `shapes` 的长度。
|
||||
- **shared_name** (str) - 待获取数据的队列名称。
|
||||
|
||||
- **types** (list[:class:`mindspore.dtype`]) - 输出的数据类型。
|
||||
- **shapes** (list[tuple[int]]) - 输出数据的shape大小。
|
||||
- **output_num** (int) - 输出编号、 `types` 和 `shapes` 的长度。
|
||||
- **shared_name** (str) - 待获取数据的队列名称。
|
||||
输入：
|
||||
没有输入。
|
||||
|
||||
**输入：**
|
||||
|
||||
没有输入。
|
||||
|
||||
**输出：**
|
||||
|
||||
tuple[Tensor]，Dataset的输出。Shape和类型参见 `shapes` 、 `types` 。
|
||||
输出：
|
||||
tuple[Tensor]，Dataset的输出。Shape和类型参见 `shapes` 、 `types` 。
|
||||
|
|
@ -60,16 +60,13 @@ mindspore.ops.GradOperation
|
|||
|
||||
4. 用 `net` 的输入和 `sens_param` 作为参数调用梯度函数，得到关于所有输入的梯度：`gradient_function(x, y, grad_wrt_output)` 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **get_all** (bool) - 计算梯度，如果等于False，获得第一个输入的梯度，如果等于True，获得所有输入的梯度。默认值：False。
|
||||
- **get_by_list** (bool) - 如果 `get_all` 和 `get_by_list` 都等于False，则得到第一个输入的梯度。如果等于True，获得所有Parameter自由变量的梯度。如果 `get_all` 和 `get_by_list` 都等于True，则同时得到输入和Parameter自由变量的梯度，输出形式为(“所有输入的梯度”，“所有Parameter自由变量的梯度”)。默认值：False。
|
||||
- **sens_param** (bool) - 是否在输入中配置灵敏度（关于输出的梯度）。如果sens_param等于False，自动添加一个 `ones_like(output)` 灵敏度。如果sensor_param等于True，灵敏度（输出的梯度），必须通过location参数或key-value pair参数来传递，如果是通过key-value pair参数传递value，那么key必须为sens。默认值：False。
|
||||
|
||||
- **get_all** (bool) - 计算梯度，如果等于False，获得第一个输入的梯度，如果等于True，获得所有输入的梯度。默认值：False。
|
||||
- **get_by_list** (bool) - 如果 `get_all` 和 `get_by_list` 都等于False，则得到第一个输入的梯度。如果等于True，获得所有Parameter自由变量的梯度。如果 `get_all` 和 `get_by_list` 都等于True，则同时得到输入和Parameter自由变量的梯度，输出形式为(“所有输入的梯度”，“所有Parameter自由变量的梯度”)。默认值：False。
|
||||
- **sens_param** (bool) - 是否在输入中配置灵敏度（关于输出的梯度）。如果sens_param等于False，自动添加一个 `ones_like(output)` 灵敏度。如果sensor_param等于True，灵敏度（输出的梯度），必须通过location参数或key-value pair参数来传递，如果是通过key-value pair参数传递value，那么key必须为sens。默认值：False。
|
||||
返回：
|
||||
将一个函数作为参数，并返回梯度函数的高阶函数。
|
||||
|
||||
**返回：**
|
||||
|
||||
将一个函数作为参数，并返回梯度函数的高阶函数。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `get_all` 、`get_by_list` 或者 `sens_params` 不是bool。
|
||||
异常：
|
||||
- **TypeError** - 如果 `get_all` 、`get_by_list` 或者 `sens_params` 不是bool。
|
||||
|
|
@ -7,23 +7,19 @@ mindspore.ops.HyperMap
|
|||
|
||||
对序列的每个元素或嵌套序列进行运算。与 `mindspore.ops.Map` 不同，`HyperMap` 能够用于嵌套结构。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **ops** (Union[MultitypeFuncGraph, None]) - `ops` 是指定运算操作。如果 `ops` 为None，则运算应该作为 `HyperMap` 实例的第一个入参。默认值为None。
|
||||
- **reverse** (bool) - 在某些场景下，需要逆向以提高计算的并行性能，一般情况下，用户可以忽略。`reverse` 用于决定是否逆向执行运算，仅在图模式下支持。默认值为False。
|
||||
|
||||
- **ops** (Union[MultitypeFuncGraph, None]) - `ops` 是指定运算操作。如果 `ops` 为None，则运算应该作为 `HyperMap` 实例的第一个入参。默认值为None。
|
||||
- **reverse** (bool) - 在某些场景下，需要逆向以提高计算的并行性能，一般情况下，用户可以忽略。`reverse` 用于决定是否逆向执行运算，仅在图模式下支持。默认值为False。
|
||||
输入：
|
||||
- **args** (Tuple[sequence]) - 如果 `ops` 不是None，则所有入参都应该是具有相同长度的序列，并且序列的每一行都是运算的输入。如果 `ops` 是None，则第一个入参是运算，其余都是输入。
|
||||
|
||||
**输入：**
|
||||
.. note::
|
||||
输入数量等于 `ops` 的输入数量。
|
||||
|
||||
- **args** (Tuple[sequence]) - 如果 `ops` 不是None，则所有入参都应该是具有相同长度的序列，并且序列的每一行都是运算的输入。如果 `ops` 是None，则第一个入参是运算，其余都是输入。
|
||||
输出：
|
||||
序列或嵌套序列，执行函数如 `operation(args[0][i], args[1][i])` 之后输出的序列。
|
||||
|
||||
.. note::
|
||||
输入数量等于 `ops` 的输入数量。
|
||||
|
||||
**输出：**
|
||||
|
||||
序列或嵌套序列，执行函数如 `operation(args[0][i], args[1][i])` 之后输出的序列。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `ops` 既不是 `MultitypeFuncGraph` 也不是None。
|
||||
- **TypeError** - 如果 `args` 不是一个tuple。
|
||||
异常：
|
||||
- **TypeError** - 如果 `ops` 既不是 `MultitypeFuncGraph` 也不是None。
|
||||
- **TypeError** - 如果 `args` 不是一个tuple。
|
||||
|
|
|
|||
|
|
@ -15,19 +15,15 @@ mindspore.ops.IOU
|
|||
.. warning::
|
||||
在Ascend中，仅支持计算float16数据。为避免溢出，输入长度和宽度在内部按0.2缩放。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **mode** (string) - 指定计算方法，现支持'iou'(intersection over union)或'iof'(intersection over foreground)模式。默认值：'iou'。
|
||||
|
||||
- **mode** (string) - 指定计算方法，现支持'iou'(intersection over union)或'iof'(intersection over foreground)模式。默认值：'iou'。
|
||||
输入：
|
||||
- **anchor_boxes** (Tensor) - 预测区域，shape为(N, 4)的Tensor。"N"表示预测区域的数量，"4"表示"x0"、"y0"、"x1"和"y1"。数据类型为float16或float32。
|
||||
- **gt_boxes** (Tensor) - 真实区域，shape为(M, 4)的Tensor。"M"表示地面真实区域的数量，"4"表示"x0"、"y0"、"x1"和"y1"。数据类型为float16或float32。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
IOU值的Tensor，shape为(M, N)的Tensor，数据类型与 `anchor_boxes` 的相同。
|
||||
|
||||
- **anchor_boxes** (Tensor) - 预测区域，shape为(N, 4)的Tensor。"N"表示预测区域的数量，"4"表示"x0"、"y0"、"x1"和"y1"。数据类型为float16或float32。
|
||||
- **gt_boxes** (Tensor) - 真实区域，shape为(M, 4)的Tensor。"M"表示地面真实区域的数量，"4"表示"x0"、"y0"、"x1"和"y1"。数据类型为float16或float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
IOU值的Tensor，shape为(M, N)的Tensor，数据类型与 `anchor_boxes` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **KeyError** - `mode` 不是'iou'或'iof'。
|
||||
异常：
|
||||
- **KeyError** - `mode` 不是'iou'或'iof'。
|
||||
|
|
@ -5,14 +5,11 @@ mindspore.ops.Identity
|
|||
|
||||
返回与输入具有相同shape和值的Tensor。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **x** (Tensor) - shape为 :math:`(x_1, x_2, ..., x_R)` 的Tensor。数据类型为Number。
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(x_1, x_2, ..., x_R)` 的Tensor。数据类型为Number。
|
||||
输出：
|
||||
Tensor，shape和数据类型与输入相同， :math:`(x_1, x_2, ..., x_R)` 。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape和数据类型与输入相同， :math:`(x_1, x_2, ..., x_R)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
|
|
@ -5,27 +5,23 @@ mindspore.ops.IndexAdd
|
|||
|
||||
将Tensor `y` 加到Tensor `x` 的指定 `axis` 和 `indices` 。 `axis` 取值范围为[0, len(x.dim) - 1]， `indices` 取值范围为[0, len(x[axis]) - 1]。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **axis** (int) - 进行索引的axis。
|
||||
- **use_lock** (bool) - 是否对参数更新加锁保护。默认值：True。
|
||||
- **check_index_bound** (bool) - 如果为True将对索引进行边界检查。默认值：True。
|
||||
|
||||
- **axis** (int) - 进行索引的axis。
|
||||
- **use_lock** (bool) - 是否对参数更新加锁保护。默认值: True。
|
||||
- **check_index_bound** (bool) - 如果为True将对索引进行边界检查。默认值: True。
|
||||
输入：
|
||||
- **x** (Parameter) - 要添加到的输入参数。
|
||||
- **indices** (Tensor) - 沿 `axis` 在指定 `indices` 位置进行加法运算。数据类型支持int32。`indices` 必须为一维且与 `y` 在 `axis` 维度的尺寸相同。 `indices` 取值范围应为[0, b)，其中b为 `x` 在 `axis` 维度的尺寸。
|
||||
- **y** (Tensor) - 被添加到 `x` 的输入Tensor。必须与 `x` 的数据类型相同。除 `axis` 之外的维度shape必须与 `x` 的shape相同。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
- **x** (Parameter) - 要添加到的输入参数。
|
||||
- **indices** (Tensor) - 沿 `axis` 在指定 `indices` 位置进行加法运算。数据类型支持int32。`indices` 必须为一维且与 `y` 在 `axis` 维度的尺寸相同。 `indices` 取值范围应为[0, b)， 其中b为 `x` 在 `axis` 维度的尺寸。
|
||||
- **y** (Tensor) - 被添加到 `x` 的输入Tensor。必须与 `x` 的数据类型相同。除 `axis` 之外的维度shape必须与 `x` 的shape相同。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Parameter。
|
||||
- **TypeError** - `indices` 或 `y` 不是Tensor。
|
||||
- **ValueError** - axis 超过了 `x` 的秩。
|
||||
- **ValueError** - `x` 与 `y` 的秩不相同。
|
||||
- **ValueError** - `indices` 不是一维或与 `y[axis]` 的尺寸不同。
|
||||
- **ValueError** - `y` 的shape与除 `axis` 之外的维度的 `x` 的shape不同。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Parameter。
|
||||
- **TypeError** - `indices` 或 `y` 不是Tensor。
|
||||
- **ValueError** - axis 超过了 `x` 的秩。
|
||||
- **ValueError** - `x` 与 `y` 的秩不相同。
|
||||
- **ValueError** - `indices` 不是一维或与 `y[axis]` 的尺寸不同。
|
||||
- **ValueError** - `y` 的shape与除 `axis` 之外的维度的 `x` 的shape不同。
|
||||
|
|
|
|||
|
|
@ -5,21 +5,17 @@ mindspore.ops.InplaceUpdate
|
|||
|
||||
将 `x` 的特定行更新为 `v` 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **indices** (Union[int, tuple]) - 指定将 `x` 的哪些行更新为 `v` 。可以为int或Tuple，取值范围[0, len(`x`))。
|
||||
|
||||
- **indices** (Union[int, tuple]) - 指定将 `x` 的哪些行更新为 `v` 。可以为int或Tuple，取值范围[0, len(`x`))。
|
||||
输入：
|
||||
- **x** (Tensor) - 待更新的Tensor。数据类型支持float16、float32或int32。
|
||||
- **v** (Tensor) - 除第一个维度之外shape必须与 `x` 的shape相同。第一个维度必须与 `indices` 的长度相同。数据类型与 `x` 相同。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
- **x** (Tensor) - 待更新的Tensor。数据类型支持float16、float32或int32。
|
||||
- **v** (Tensor) - 除第一个维度之外shape必须与 `x` 的shape相同。第一个维度必须与 `indices` 的长度相同。数据类型与 `x` 相同。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 不是int或Tuple。
|
||||
- **TypeError** - `indices` 为Tuple，而其包含的某一元素非int类型。
|
||||
异常：
|
||||
- **TypeError** - `indices` 不是int或Tuple。
|
||||
- **TypeError** - `indices` 为Tuple，而其包含的某一元素非int类型。
|
||||
|
||||
|
|
|
|||
|
|
@ -5,19 +5,15 @@ mindspore.ops.InsertGradientOf
|
|||
|
||||
为图节点附加回调函数，将在梯度计算时被调用。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **f** (Function) - MindSpore Function。回调函数。
|
||||
参数：
|
||||
- **f** (Function) - MindSpore Function。回调函数。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **input_x** (Any) - 需要附加回调函数的图节点。
|
||||
输入：
|
||||
- **input_x** (Any) - 需要附加回调函数的图节点。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，直接返回输入 `input_x` 。该算子不影响前向计算的结果。
|
||||
输出：
|
||||
Tensor，直接返回输入 `input_x` 。该算子不影响前向计算的结果。
|
||||
|
||||
**异常：**
|
||||
|
||||
**TypeError** - `f` 不是MindSpore Function。
|
||||
异常：
|
||||
- **TypeError** - `f` 不是MindSpore Function。
|
||||
|
||||
|
|
|
|||
|
|
@ -13,14 +13,11 @@
|
|||
|
||||
其中 :math:`Inf` 表示不是一个数字。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **x** (Tensor) - IsInf的输入，shape： :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
|
||||
- **x** (Tensor) - IsInf的输入，shape： :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
输出：
|
||||
Tensor，shape与相同的输入，数据的类型为bool。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape与相同的输入，数据的类型为bool。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 不是Tensor。
|
||||
|
|
@ -5,15 +5,12 @@
|
|||
|
||||
检查输入对象是否为目标类型的实例。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **inst** (Any Object) - 要检查的实例。只允许为常量。
|
||||
- **type_** (mindspore.dtype) - 目标类型。只允许为常量。
|
||||
|
||||
- **inst** (Any Object) - 要检查的实例。只允许为常量。
|
||||
- **type_** (mindspore.dtype) - 目标类型。只允许为常量。
|
||||
输出：
|
||||
bool，检查结果。
|
||||
|
||||
**输出：**
|
||||
|
||||
bool，检查结果。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `type_` 不是一种类型。
|
||||
异常：
|
||||
- **TypeError** - 如果 `type_` 不是一种类型。
|
||||
|
|
@ -5,15 +5,12 @@
|
|||
|
||||
检查输入类型是否为其他类型的子类。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **sub_type** (mindspore.dtype) - 要检查的类型。只允许为常量。
|
||||
- **type_** (mindspore.dtype) - 目标类型。只允许为常量。
|
||||
|
||||
- **sub_type** (mindspore.dtype) - 要检查的类型。只允许为常量。
|
||||
- **type_** (mindspore.dtype) - 目标类型。只允许为常量。
|
||||
输出：
|
||||
bool，检查结果。
|
||||
|
||||
**输出：**
|
||||
|
||||
bool，检查结果。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `sub_type` 或 `type_` 不是一种类型。
|
||||
异常：
|
||||
- **TypeError** - 如果 `sub_type` 或 `type_` 不是一种类型。
|
||||
|
|
@ -28,26 +28,22 @@ mindspore.ops.KLDivLoss
|
|||
- 目前Ascend平台不支持数据类型float64。
|
||||
- 仅当 `reduction` 设置为"batchmean"时输出才与KL散度的数学定义一致。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **reduction** (str) - 指定输出结果的计算方式。默认值: "mean"。
|
||||
|
||||
- **reduction** (str) - 指定输出结果的计算方式。默认值: "mean"。
|
||||
- 在Ascend平台上， `reduction` 的可选值为"batchmean"、"none"或"sum"。
|
||||
- 在GPU平台上， `reduction` 的可选值为"mean"、"none"或"sum"。
|
||||
- 在CPU平台上， `reduction` 的可选值为"mean"、"batchmean"、"none"或"sum"。
|
||||
|
||||
- 在Ascend平台上， `reduction` 的可选值为"batchmean"、"none"或"sum"。
|
||||
- 在GPU平台上， `reduction` 的可选值为"mean"、"none"或"sum"。
|
||||
- 在CPU平台上， `reduction` 的可选值为"mean"、"batchmean"、"none"或"sum"。
|
||||
输入：
|
||||
- **logits** (Tensor) - 数据类型支持float16、float32或float64。
|
||||
- **labels** (Tensor) - 标签Tensor，与 `logits` 的shape和数据类型相同。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor或标量。如果 `reduction` 为"none" ，则输出为Tensor且与 `logits` 的shape相同。否则为标量。
|
||||
|
||||
- **logits** (Tensor) - 数据类型支持float16、float32或float64。
|
||||
- **labels** (Tensor) - 标签Tensor，与 `logits` 的shape和数据类型相同。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor或标量。如果 `reduction` 为"none" ，则输出为Tensor且与 `logits` 的shape相同。否则为标量。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `reduction` 不是str。
|
||||
- **TypeError** - `logits` 或 `labels` 不是Tensor。
|
||||
- **TypeError** - `logits` 或 `labels` 的数据类型不是支持的类型。
|
||||
- **RuntimeError** - `logits` 或 `labels` 是标量并且 `reduction` 是"batchmean"。
|
||||
异常：
|
||||
- **TypeError** - `reduction` 不是str。
|
||||
- **TypeError** - `logits` 或 `labels` 不是Tensor。
|
||||
- **TypeError** - `logits` 或 `labels` 的数据类型不是支持的类型。
|
||||
- **RuntimeError** - `logits` 或 `labels` 是标量并且 `reduction` 是"batchmean"。
|
||||
|
|
|
|||
|
|
@ -10,15 +10,12 @@ mindspore.ops.L2Loss
|
|||
.. math::
|
||||
loss = \frac{\sum x ^ 2}{2}
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **input_x** (Tensor) - 用于计算L2范数的Tensor。数据类型必须为float16或float32。
|
||||
|
||||
- **input_x** (Tensor) - 用于计算L2范数的Tensor。数据类型必须为float16或float32。
|
||||
输出：
|
||||
Tensor，具有与 `input_x` 相同的数据类型的Scalar Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，具有与 `input_x` 相同的数据类型的Scalar Tensor。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_x` 不是Tensor。
|
||||
- **TypeError** - `input_x` 的数据类型既不是float16也不是float32。
|
||||
异常：
|
||||
- **TypeError** - `input_x` 不是Tensor。
|
||||
- **TypeError** - `input_x` 的数据类型既不是float16也不是float32。
|
||||
|
|
|
|||
|
|
@ -12,23 +12,19 @@ mindspore.ops.L2Normalize
|
|||
|
||||
其中 :math:`\epsilon` 表示 `epsilon` ， :math:`\sum_{i}^{}\left | x_i \right | ^2` 表示计算输入 `x` 在给定 `axis` 上元素的平方和。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **axis** (Union[list(int), tuple(int), int]) - 指定计算L2范数的轴。默认值：0。
|
||||
- **epsilon** (float) - 为了数值稳定性而引入的很小的浮点数。默认值：1e-4。
|
||||
|
||||
- **axis** (Union[list(int), tuple(int), int]) - 指定计算L2范数的轴。默认值：0。
|
||||
- **epsilon** (float) - 为了数值稳定性而引入的很小的浮点数。默认值：1e-4。
|
||||
输入：
|
||||
- **x** (Tensor) - 计算归一化的输入。shape为 :math:`(N, *)` ，其中 :math:`*` 表示任意的附加维度数。数据类型必须为float16或float32。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，shape和数据类型与 `x` 的相同。
|
||||
|
||||
- **x** (Tensor) - 计算归一化的输入。shape为 :math:`(N, *)` ，其中 :math:`*` 表示任意的附加维度数。数据类型必须为float16或float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape和数据类型与 `x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `axis` 不是list、tuple或int。
|
||||
- **TypeError** - `epsilon` 不是float。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
- **ValueError** - `x` 的维度不大于0。
|
||||
异常：
|
||||
- **TypeError** - `axis` 不是list、tuple或int。
|
||||
- **TypeError** - `epsilon` 不是float。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
- **ValueError** - `x` 的维度不大于0。
|
||||
|
|
|
|||
|
|
@ -7,29 +7,25 @@ mindspore.ops.LARSUpdate
|
|||
|
||||
更多细节请参考 :class:`mindspore.nn.LARS` 。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **epsilon** (float) - 添加在分母中，提高数值稳定性。默认值：1e-05。
|
||||
- **hyperpara** (float) - 计算局部学习率的信任系数。默认值：0.001。
|
||||
- **use_clip** (bool) - 计算局部学习速率时是否裁剪。默认值：False。
|
||||
参数：
|
||||
- **epsilon** (float) - 添加在分母中，提高数值稳定性。默认值：1e-05。
|
||||
- **hyperpara** (float) - 计算局部学习率的信任系数。默认值：0.001。
|
||||
- **use_clip** (bool) - 计算局部学习速率时是否裁剪。默认值：False。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **weight** (Tensor) - 权重Tensor，shape: :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
- **gradient** (Tensor) - `weight` 的梯度， 与 `weight` 的shape和数据类型相同。
|
||||
- **norm_weight** (Tensor) - 标量Tensor，权重的平方和。
|
||||
- **norm_gradient** (Tensor) - 标量Tensor，梯度的平方和。
|
||||
- **weight_decay** (Union[Number, Tensor]) - 衰减率。必须为标量Tensor或Number。
|
||||
- **learning_rate** (Union[Number, Tensor]) - 学习率。必须为标量Tensor或Number。
|
||||
|
||||
- **weight** (Tensor) - 权重Tensor，shape: :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
- **gradient** (Tensor) - `weight` 的梯度， 与 `weight` 的shape和数据类型相同。
|
||||
- **norm_weight** (Tensor) - 标量Tensor，权重的平方和。
|
||||
- **norm_gradient** (Tensor) - 标量Tensor，梯度的平方和。
|
||||
- **weight_decay** (Union[Number, Tensor]) - 衰减率。必须为标量Tensor或Number。
|
||||
- **learning_rate** (Union[Number, Tensor]) - 学习率。必须为标量Tensor或Number。
|
||||
输出：
|
||||
Tensor，计算后的梯度。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，计算后的梯度。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `epsilon` 或 `hyperpara` 不是float类型。
|
||||
- **TypeError** - `use_clip` 不是bool类型。
|
||||
- **TypeError** - `weight` 、 `gradient` 、 `norm_weight` 或 `norm_gradient` 不是Tensor。
|
||||
- **TypeError** - `weight_decay` 或 `learning_rate` 非Number或Tensor。
|
||||
- **TypeError** - `gradient` 与 `weight` 的shape不同。
|
||||
异常：
|
||||
- **TypeError** - `epsilon` 或 `hyperpara` 不是float类型。
|
||||
- **TypeError** - `use_clip` 不是bool类型。
|
||||
- **TypeError** - `weight` 、 `gradient` 、 `norm_weight` 或 `norm_gradient` 不是Tensor。
|
||||
- **TypeError** - `weight_decay` 或 `learning_rate` 非Number或Tensor。
|
||||
- **TypeError** - `gradient` 与 `weight` 的shape不同。
|
||||
|
|
|
|||
|
|
@ -13,25 +13,21 @@ mindspore.ops.LRN
|
|||
:math:`n/2` 为参数 `depth_radius` ； :math:`k` 为参数 `bias` ；
|
||||
:math:`\alpha` 为参数 `alpha` ； :math:`\beta` 为参数 `beta` 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **depth_radius** (int) - 一维归一化窗口的半宽。默认值：5。
|
||||
- **bias** (float) - 偏移量（通常为正以避免除零问题）。默认值：1.0。
|
||||
- **alpha** (float) - 比例系数，通常为正。默认值：1.0。
|
||||
- **beta** (float) - 指数。默认值：0.5。
|
||||
- **norm_region** (str) - 指定归一化区域。可选值："ACROSS_CHANNELS"。默认值："ACROSS_CHANNELS"。
|
||||
|
||||
- **depth_radius** (int) - 一维归一化窗口的半宽。默认值：5。
|
||||
- **bias** (float) - 偏移量（通常为正以避免除零问题）。默认值：1.0。
|
||||
- **alpha** (float) - 比例系数，通常为正。默认值：1.0。
|
||||
- **beta** (float) - 指数。默认值：0.5。
|
||||
- **norm_region** (str) - 指定归一化区域。可选值："ACROSS_CHANNELS"。默认值："ACROSS_CHANNELS"。
|
||||
输入：
|
||||
- **x** (Tensor) - 数据类型为float16或float32的4维Tensor。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
- **x** (Tensor) - 数据类型为float16或float32的4维Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `depth_radius` 不是int类型。
|
||||
- **TypeError** - `bias` 、 `alpha` 或 `beta` 不是float类型。
|
||||
- **TypeError** - `norm_region` 不是str。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `depth_radius` 不是int类型。
|
||||
- **TypeError** - `bias` 、 `alpha` 或 `beta` 不是float类型。
|
||||
- **TypeError** - `norm_region` 不是str。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
|
|
|
|||
|
|
@ -12,28 +12,24 @@ mindspore.ops.LayerNorm
|
|||
|
||||
其中 :math:`\gamma` 是Scalar， :math:`\beta` 是偏置项， :math:`\epsilon` 是精度值。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **begin_norm_axis** (int) - 指定 `input_x` 需进行层归一化的起始维度，其值必须在[-1, rank(input)范围内。默认值：1。
|
||||
- **begin_params_axis** (int) - 指定输入参数(`gamma`, `beta`) 需进行层归一化的开始轴，其值必须在[-1, rank(input))范围内。默认值：1。
|
||||
- **epsilon** (float) - 添加到分母中的值，以确保数据稳定性。默认值：1e-7。
|
||||
|
||||
- **begin_norm_axis** (int) - 指定 `input_x` 需进行层归一化的起始维度，其值必须在[-1, rank(input)范围内。默认值：1。
|
||||
- **begin_params_axis** (int) - 指定输入参数(`gamma`, `beta`) 需进行层归一化的开始轴，其值必须在[-1, rank(input))范围内。默认值：1。
|
||||
- **epsilon** (float) - 添加到分母中的值，以确保数据稳定性。默认值：1e-7。
|
||||
输入：
|
||||
- **input_x** (Tensor) - LayerNorm的输入，shape为 :math:`(N, \ldots)` 的Tensor。
|
||||
- **gamma** (Tensor) - 可学习参数 :math:`\gamma` ，shape为 :math:`(P_0, \ldots, P_\text{begin_params_axis})` 的Tensor。
|
||||
- **beta** (Tensor) - 可学习参数 :math:`\beta` 。shape为 :math:`(P_0, \ldots, P_\text{begin_params_axis})` 的Tensor。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
tuple[Tensor]，3个Tensor组成的tuple，层归一化输入和更新后的参数。
|
||||
|
||||
- **input_x** (Tensor) - LayerNorm的输入，shape为 :math:`(N, \ldots)` 的Tensor。
|
||||
- **gamma** (Tensor) - 可学习参数 :math:`\gamma` ，shape为 :math:`(P_0, \ldots, P_\text{begin_params_axis})` 的Tensor。
|
||||
- **beta** (Tensor) - 可学习参数 :math:`\beta` 。shape为 :math:`(P_0, \ldots, P_\text{begin_params_axis})` 的Tensor。
|
||||
- **output_x** (Tensor) - 层归一化输入，shape为是 :math:`(N, C)` 。数据类型和shape与 `input_x` 相同。
|
||||
- **mean** (Tensor) - 输入的均值，shape为 :math:`(C,)` 的Tensor。
|
||||
- **variance** (Tensor) - 输入的方差，shape为 :math:`(C,)` 的Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
tuple[Tensor]，3个Tensor组成的tuple，层归一化输入和更新后的参数。
|
||||
|
||||
- **output_x** (Tensor) - 层归一化输入，shape为是 :math:`(N, C)` 。数据类型和shape与 `input_x` 相同。
|
||||
- **mean** (Tensor) - 输入的均值，shape为 :math:`(C,)` 的Tensor。
|
||||
- **variance** (Tensor) - 输入的方差，shape为 :math:`(C,)` 的Tensor。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `begin_norm_axis` 或 `begin_params_axis` 不是int。
|
||||
- **TypeError** - `epsilon` 不是float。
|
||||
- **TypeError** - `input_x`、`gamma` 或 `beta` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `begin_norm_axis` 或 `begin_params_axis` 不是int。
|
||||
- **TypeError** - `epsilon` 不是float。
|
||||
- **TypeError** - `input_x`、`gamma` 或 `beta` 不是Tensor。
|
||||
|
|
@ -7,29 +7,25 @@ mindspore.ops.LogUniformCandidateSampler
|
|||
|
||||
该操作从整数范围[0, `range_max` )中随机采样一个采样类( `sampled_candidates` )的Tensor。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **num_true** (int) - 每个训练样本的目标类数。默认值：1。
|
||||
- **num_sampled** (int) - 随机采样的类数。默认值：5。
|
||||
- **unique** (bool) - 确认批处理中的所有采样类是否都是唯一的。如果 `unique` 为True，则批处理中的所有采样类都唯一。默认值：True。
|
||||
- **range_max** (int) - 可能的类数。当 `unique` 为True时， `range_max` 必须大于或等于 `num_sampled` 。默认值：5。
|
||||
- **seed** (int) - 随机种子，必须是非负。默认值：0。
|
||||
|
||||
- **num_true** (int) - 每个训练样本的目标类数。默认值：1。
|
||||
- **num_sampled** (int) - 随机采样的类数。默认值：5。
|
||||
- **unique** (bool) - 确认批处理中的所有采样类是否都是唯一的。如果 `unique` 为True，则批处理中的所有采样类都唯一。默认值：True。
|
||||
- **range_max** (int) - 可能的类数。当 `unique` 为True时， `range_max` 必须大于或等于 `num_sampled` 。默认值：5。
|
||||
- **seed** (int) - 随机种子，必须是非负。默认值：0。
|
||||
输入：
|
||||
- **true_classes** (Tensor) - 目标类，其数据类型为int64，shape为 :math:`(batch\_size, num\_true)` 。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
3个Tensor组成的元组。
|
||||
|
||||
- **true_classes** (Tensor) - 目标类，其数据类型为int64，shape为 :math:`(batch\_size, num\_true)` 。
|
||||
- **sampled_candidates** (Tensor) - shape为 :math:`(num\_sampled,)` 且数据类型与 `true_classes` 相同的Tensor。
|
||||
- **true_expected_count** (Tensor) - shape与 `true_classes` 相同且数据类型为float32的Tensor。
|
||||
- **sampled_expected_count** (Tensor) - shape与 `sampled_candidates` 相同且数据类型为float32的Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
3个Tensor组成的元组。
|
||||
|
||||
- **sampled_candidates** (Tensor) - shape为 :math:`(num\_sampled,)` 且数据类型与 `true_classes` 相同的Tensor。
|
||||
- **true_expected_count** (Tensor) - shape与 `true_classes` 相同且数据类型为float32的Tensor。
|
||||
- **sampled_expected_count** (Tensor) - shape与 `sampled_candidates` 相同且数据类型为float32的Tensor。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `num_true` 和 `num_sampled` 都不是int。
|
||||
- **TypeError** - `unique` 不是bool。
|
||||
- **TypeError** - `range_max` 和 `seed` 都不是int。
|
||||
- **TypeError** - `true_classes` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `num_true` 和 `num_sampled` 都不是int。
|
||||
- **TypeError** - `unique` 不是bool。
|
||||
- **TypeError** - `range_max` 和 `seed` 都不是int。
|
||||
- **TypeError** - `true_classes` 不是Tensor。
|
||||
|
|
@ -5,16 +5,13 @@ mindspore.ops.MaskedSelect
|
|||
|
||||
返回一个一维张量，其中的内容是 `x` 张量中对应于 `mask` 张量中True位置的值。`mask` 的shape与 `x` 的shape不需要一样，但必须符合广播规则。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **x** (Tensor) - 它的shape是 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **mask** (Tensor[bool]) - 它的shape是 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
|
||||
- **x** (Tensor) - 它的shape是 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **mask** (Tensor[bool]) - 它的shape是 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
输出：
|
||||
一维Tensor，数据类型与 `x` 相同。
|
||||
|
||||
**输出：**
|
||||
|
||||
一维Tensor，数据类型与 `x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 或 `mask` 不是Tensor。
|
||||
- **TypeError** - `mask` 不是bool类型的Tensor。
|
||||
异常：
|
||||
- **TypeError** - `x` 或 `mask` 不是Tensor。
|
||||
- **TypeError** - `mask` 不是bool类型的Tensor。
|
||||
|
|
@ -14,22 +14,18 @@ mindspore.ops.MatMul
|
|||
.. note::
|
||||
对于 :math:`N * M` 不能被16整除的情况下，在Ascend环境上性能会比较差。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **transpose_a** (bool) - 如果为True，则在相乘之前转置 `a`。默认值：False。
|
||||
- **transpose_b** (bool) - 如果为True，则在相乘之前转置 `b`。默认值：False。
|
||||
|
||||
- **transpose_a** (bool) - 如果为True，则在相乘之前转置 `a`。默认值：False。
|
||||
- **transpose_b** (bool) - 如果为True，则在相乘之前转置 `b`。默认值：False。
|
||||
输入：
|
||||
- **a** (Tensor) - 要相乘的第一个Tensor。如果 `transpose_a` 为False，则该Tensor的shape为 :math:`(N, C)` ；否则，该Tensor的shape为 :math:`(C, N)` 。
|
||||
- **b** (Tensor) - 要相乘的第二个Tensor。如果 `transpose_b` 为False，则该Tensor的shape为 :math:`(C, M)` ；否则，该Tensor的shape为 :math:`(M, C)` 。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，输出Tensor的shape为 :math:`(N, M)` 。
|
||||
|
||||
- **a** (Tensor) - 要相乘的第一个Tensor。如果 `transpose_a` 为False，则该Tensor的shape为 :math:`(N, C)` ；否则，该Tensor的shape为 :math:`(C, N)` 。
|
||||
- **b** (Tensor) - 要相乘的第二个Tensor。如果 `transpose_b` 为False，则该Tensor的shape为 :math:`(C, M)` ；否则，该Tensor的shape为 :math:`(M, C)` 。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，输出Tensor的shape为 :math:`(N, M)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `transpose_a` 或 `transpose_b` 不是bool。
|
||||
- **ValueError** - 矩阵 `a` 的列不等于矩阵 `b` 的行。
|
||||
- **ValueError** - `a` 或 `b` 的维度不等于2。
|
||||
异常：
|
||||
- **TypeError** - `transpose_a` 或 `transpose_b` 不是bool。
|
||||
- **ValueError** - 矩阵 `a` 的列不等于矩阵 `b` 的行。
|
||||
- **ValueError** - `a` 或 `b` 的维度不等于2。
|
||||
|
|
|
|||
|
|
@ -8,21 +8,17 @@
|
|||
.. note::
|
||||
参数 `adjoint` 目前只支持False，因为目前该算子不支持复数。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **adjoint** (bool) - 指定是否支持复数，False表示为不支持复数。默认：False。
|
||||
|
||||
- **adjoint** (bool) - 指定是否支持复数，False表示为不支持复数。默认：False。
|
||||
输入：
|
||||
- **x** (Tensor) - 输入需计算的矩阵，至少为二维矩阵，且最后两个维度大小相同，数据类型为float32、float64。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，数据类型和shape与输入 `x` 相同。
|
||||
|
||||
- **x** (Tensor) - 输入需计算的矩阵，至少为二维矩阵，且最后两个维度大小相同，数据类型为float32、float64。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，数据类型和shape与输入 `x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `adjoint` 不是bool。
|
||||
- **TypeError** - `x` 的数据类型既不是float32，也不是float64。
|
||||
- **ValueError** - `x` 最后两个维度大小不同。
|
||||
- **ValueError** - `x` 低于二维。
|
||||
异常：
|
||||
- **TypeError** - `adjoint` 不是bool。
|
||||
- **TypeError** - `x` 的数据类型既不是float32，也不是float64。
|
||||
- **ValueError** - `x` 最后两个维度大小不同。
|
||||
- **ValueError** - `x` 低于二维。
|
||||
|
|
|
|||
|
|
@ -5,35 +5,31 @@ mindspore.ops.MaxPool
|
|||
|
||||
对输入的多维数据进行二维的最大池化运算。
|
||||
|
||||
通常，输入的shape为 :math:`(N_{in}, C_{in}, H_{in}, W_{in})` ，MaxPool在 :math:`(H_{in}, W_{in})` 维度输出区域最大值。 给定 `kernel_size` 为 :math:`(kH,kW)` 和 `stride` ，运算如下：
|
||||
通常，输入的shape为 :math:`(N_{in}, C_{in}, H_{in}, W_{in})` ，MaxPool在 :math:`(H_{in}, W_{in})` 维度输出区域最大值。给定 `kernel_size` 为 :math:`(kH,kW)` 和 `stride` ，运算如下：
|
||||
|
||||
.. math::
|
||||
\text{output}(N_i, C_j, h, w) = \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1}
|
||||
\text{input}(N_i, C_j, stride[0] \times h + m, stride[1] \times w + n)
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定池化核尺寸大小。由一个整数或者是两个整数组成的tuple，表示高和宽。默认值：1。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长，由一个整数或者是两个整数组成的tuple，表示高和宽上的移动步长。默认值：1。
|
||||
- **pad_mode** (str) - 指定池化填充模式，可选值是'same'或'valid'，不区分大小写。默认值：'valid'。
|
||||
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定池化核尺寸大小。由一个整数或者是两个整数组成的tuple，表示高和宽。默认值：1。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长，由一个整数或者是两个整数组成的tuple，表示高和宽上的移动步长。默认值：1。
|
||||
- **pad_mode** (str) - 指定池化填充模式，可选值是'same'或'valid'，不区分大小写。默认值：'valid'。
|
||||
- **same** - 输出的高度和宽度分别与输入整除 `stride` 后的值相同。
|
||||
- **valid** - 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。
|
||||
|
||||
- **same** - 输出的高度和宽度分别与输入整除 `stride` 后的值相同。
|
||||
- **valid** - 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。
|
||||
- **data_format** (str) - 输入和输出的数据格式。可选值为'NHWC'或'NCHW'。默认值：'NCHW'。
|
||||
|
||||
- **data_format** (str)：输入和输出的数据格式。可选值为'NHWC'或'NCHW'。默认值：'NCHW'。
|
||||
输入：
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, H_{in}, W_{in})` 的Tensor。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 。
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, H_{in}, W_{in})` 的Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `kernel_size` 或 `strides` 既不是int也不是tuple。
|
||||
- **ValueError** - `pad_mode` 既不是'valid'也不是'same'（不区分大小写）。
|
||||
- **ValueError** - `data_format` 既不是'NCHW'也不是'NHWC'。
|
||||
- **ValueError** - `kernel_size` 或 `strides` 小于1。
|
||||
- **ValueError** - `iput` 的shape长度不等于4。
|
||||
异常：
|
||||
- **TypeError** - `kernel_size` 或 `strides` 既不是int也不是tuple。
|
||||
- **ValueError** - `pad_mode` 既不是'valid'也不是'same'（不区分大小写）。
|
||||
- **ValueError** - `data_format` 既不是'NCHW'也不是'NHWC'。
|
||||
- **ValueError** - `kernel_size` 或 `strides` 小于1。
|
||||
- **ValueError** - `iput` 的shape长度不等于4。
|
||||
|
|
@ -12,34 +12,30 @@ mindspore.ops.MaxPool3D
|
|||
\max_{l=0, \ldots, kD-1} \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1}
|
||||
\text{input}(N_i, C_j, stride[0] \times d + l, stride[1] \times h + m, stride[2] \times w + n)
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定池化核尺寸大小。整数类型，表示池化核深度、高和宽，或者是三个整数组成的元组，表示深、高和宽。默认值：1。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长，整数类型，表示深、高和宽的移动步长，或者是三个整数组成的元组，表示深、高和宽移动步长。默认值：1。
|
||||
- **pad_mode** (str) - 指定池化填充模式，可选值有："same"、"valid"或"pad"。默认值："valid"。
|
||||
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定池化核尺寸大小。整数类型，表示池化核深度、高和宽，或者是三个整数组成的元组，表示深、高和宽。默认值：1。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长，整数类型，表示深、高和宽的移动步长，或者是三个整数组成的元组，表示深、高和宽移动步长。默认值：1。
|
||||
- **pad_mode** (str) - 指定池化填充模式，可选值有："same"、"valid"或"pad"。默认值："valid"。
|
||||
- same：输出的宽度于输入整数 `stride` 后的值相同。
|
||||
- valid：在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。
|
||||
- pad：对输入进行填充。在输入的深度、高度和宽度方向上填充 `pad` 大小的0。如果设置此模式， `pad_list` 必须大于或等于0。
|
||||
|
||||
- same：输出的宽度于输入整数 `stride` 后的值相同。
|
||||
- valid：在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。
|
||||
- pad：对输入进行填充。 在输入的深度、高度和宽度方向上填充 `pad` 大小的0。如果设置此模式， `pad_list` 必须大于或等于0。
|
||||
- **pad_list** (Union(int, tuple[int])) - 池化填充方式。默认值：0。如果 `pad` 是一个整数，则头尾部、顶部，底部，左边和右边的填充都是相同的，等于 `pad` 。如果 `pad` 是六个整数的tuple，则头尾部、顶部、底部、左边和右边的填充分别等于填充pad[0]、pad[1]、pad[2]、pad[3]、pad[4]和pad[5]。
|
||||
- **ceil_mode** (Union[bool, None]) - 是否使用ceil函数计算输出高度和宽度。默认值：None。
|
||||
- **data_format** (str) - 输入和输出的数据格式。目前仅支持'NCDHW'。默认值：'NCDHW'。
|
||||
|
||||
- **pad_list** (Union(int, tuple[int])) - 池化填充方式。默认值：0。如果 `pad` 是一个整数，则头尾部、顶部，底部，左边和右边的填充都是相同的，等于 `pad` 。如果 `pad` 是六个整数的tuple，则头尾部、顶部、底部、左边和右边的填充分别等于填充pad[0]、pad[1]、pad[2]、pad[3]、pad[4]和pad[5]。
|
||||
- **ceil_mode** (Union[bool, None]) - 是否使用ceil函数计算输出高度和宽度。默认值：None。
|
||||
- **data_format** (str) - 输入和输出的数据格式。目前仅支持'NCDHW'。默认值：'NCDHW'。
|
||||
输入：
|
||||
- **x** (Tensor) - shape为 :math:`(N, C, D_{in}, H_{in}, W_{in})` 的Tensor。数据类型为float16或float32。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
Tensor，shape为 :math:`(N, C, D_{out}, H_{out}, W_{out})` 。数据类型与 `x` 相同。
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, C, D_{in}, H_{in}, W_{in})` 的Tensor。数据类型为float16或float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为 :math:`(N, C, D_{out}, H_{out}, W_{out})` 。数据类型与 `x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `kernel_size` 或 `strides` 既不是int也不是元组。
|
||||
- **TypeError** - `pad_mode` 或 `data_format` 不是str。
|
||||
- **ValueError** - `kernel_size` 或 `strides` 不是正数。
|
||||
- **ValueError** - `pad_mode` 不是'same'，'valid'，或'pad'。
|
||||
- **ValueError** - `pad_mode` 取值为'same'或'valid'， `ceil_mode` 取值不是None。
|
||||
- **ValueError** - `kernel_size` 或 `strides` 是长度不等于3的元组。
|
||||
- **ValueError** - `data_format` 不是'NCDHW'。
|
||||
异常：
|
||||
- **TypeError** - `kernel_size` 或 `strides` 既不是int也不是元组。
|
||||
- **TypeError** - `pad_mode` 或 `data_format` 不是str。
|
||||
- **ValueError** - `kernel_size` 或 `strides` 不是正数。
|
||||
- **ValueError** - `pad_mode` 不是'same'，'valid'，或'pad'。
|
||||
- **ValueError** - `pad_mode` 取值为'same'或'valid'， `ceil_mode` 取值不是None。
|
||||
- **ValueError** - `kernel_size` 或 `strides` 是长度不等于3的元组。
|
||||
- **ValueError** - `data_format` 不是'NCDHW'。
|
||||
|
|
@ -13,33 +13,29 @@ mindspore.ops.MaxPool3DWithArgmax
|
|||
\max_{l=0, \ldots, d_{ker}-1} \max_{m=0, \ldots, h_{ker}-1} \max_{n=0, \ldots, w_{ker}-1}
|
||||
\text{input}(N_i, C_j, s_0 \times d + l, s_1 \times h + m, s_2 \times w + n)
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **ksize** (Union[int, tuple[int]]) - 池化核尺寸大小。可以是一个整数表示池化核的深度，高度和宽度，或者包含三个整数的tuple，分别表示池化核的深度，高度和宽度。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长。可以是一个整数表示在深度，高度和宽度方向的移动步长，或者包含三个整数的tuple，分别表示在深度，高度和宽度方向的移动步长。
|
||||
- **pads** (Union[int, tuple[int]]) - 池化填充长度。可以是一个整数表示在深度，高度和宽度方向的填充长度，或者包含三个整数的tuple，分别表示在深度，高度和宽度方向的填充长度。
|
||||
- **dilation** (Union[int, tuple[int]]) - 控制池化核内元素的间距。默认为(1, 1, 1)。
|
||||
- **ceil_mode** (bool) - 是否是用ceil代替floor来计算输出的shape。默认为False。
|
||||
- **data_format** (str) - 选择输入数据格式，当前仅支持'NDCHW'。默认为'NDCHW'。
|
||||
- **argmax_type** (mindspore.dtype) - 返回的最大值索引的数据类型。默认为mindspore.int64。
|
||||
|
||||
- **ksize** (Union[int, tuple[int]]) - 池化核尺寸大小。可以是一个整数表示池化核的深度，高度和宽度，或者包含三个整数的tuple，分别表示池化核的深度，高度和宽度。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长。可以是一个整数表示在深度，高度和宽度方向的移动步长，或者包含三个整数的tuple，分别表示在深度，高度和宽度方向的移动步长。
|
||||
- **pads** (Union[int, tuple[int]]) - 池化填充长度。可以是一个整数表示在深度，高度和宽度方向的填充长度，或者包含三个整数的tuple，分别表示在深度，高度和宽度方向的填充长度。
|
||||
- **dilation** (Union[int, tuple[int]]) - 控制池化核内元素的间距。默认为(1, 1, 1)。
|
||||
- **ceil_mode** (bool) - 是否是用ceil代替floor来计算输出的shape。默认为False。
|
||||
- **data_format** (str) - 选择输入数据格式，当前仅支持'NDCHW'。默认为'NDCHW'。
|
||||
- **argmax_type** (mindspore.dtype) - 返回的最大值索引的数据类型。默认为mindspore.int64。
|
||||
输入：
|
||||
- **x** (Tensor) - shape为 :math:`(N_{in}, C_{in}, D_{in}, H_{in}, W_{in})` 的Tensor。支持数据类型包括int8、int16、int32、int64、uint8、uint16、uint32、uint64、float16、float32和float64。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
包含两个Tensor的tuple，分别表示最大值结果和最大值对应的索引。
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N_{in}, C_{in}, D_{in}, H_{in}, W_{in})` 的Tensor。支持数据类型包括int8、int16、int32、int64、uint8、uint16、uint32、uint64、float16、float32和float64。
|
||||
- **output** (Tensor) - 输出的池化后的最大值，其数据类型与 `x` 相同。
|
||||
- **argmax** (Tensor) - 输出的最大值对应的索引，数据类型为int32或者int64。
|
||||
|
||||
**输出：**
|
||||
|
||||
包含两个Tensor的tuple，分别表示最大值结果和最大值对应的索引。
|
||||
|
||||
- **output** (Tensor) - 输出的池化后的最大值，其数据类型与 `x` 相同。
|
||||
- **argmax** (Tensor) - 输出的最大值对应的索引，数据类型为int32或者int64。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **ValueError** - `x` 的维度不是5D。
|
||||
- **TypeError** - `ksize` 、 `strides` 、`pads` 、`dilation` 不是int或者tuple。
|
||||
- **ValueError** - `ksize` 或 `strides` 的元素值小于1。
|
||||
- **ValueError** - `pads` 的元素值小于0。
|
||||
- **ValueError** - `data_format` 不是'NCDHW'。
|
||||
- **ValueError** - `argmax_type` 不是mindspore.int64或mindspore.int32。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **ValueError** - `x` 的维度不是5D。
|
||||
- **TypeError** - `ksize` 、 `strides` 、`pads` 、`dilation` 不是int或者tuple。
|
||||
- **ValueError** - `ksize` 或 `strides` 的元素值小于1。
|
||||
- **ValueError** - `pads` 的元素值小于0。
|
||||
- **ValueError** - `data_format` 不是'NCDHW'。
|
||||
- **ValueError** - `argmax_type` 不是mindspore.int64或mindspore.int32。
|
||||
|
|
|
|||
|
|
@ -11,30 +11,26 @@ mindspore.ops.MaxPoolWithArgmax
|
|||
\text{output}(N_i, C_j, h, w) = \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1}\\
|
||||
\text{input}(N_i, C_j, stride[0] \times h + m, stride[1] \times w + n)
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定池化核尺寸大小。由一个整数或者是两个整数组成的tuple，表示高和宽。默认值：1。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长，由一个整数或者是两个整数组成的tuple，表示高和宽移动步长。默认值：1。
|
||||
- **pad_mode** (str) - 指定池化填充模式，可选值是'same'或'valid'，不区分大小写。默认值：'valid'。
|
||||
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定池化核尺寸大小。由一个整数或者是两个整数组成的tuple，表示高和宽。默认值：1。
|
||||
- **strides** (Union[int, tuple[int]]) - 池化操作的移动步长，由一个整数或者是两个整数组成的tuple，表示高和宽移动步长。默认值：1。
|
||||
- **pad_mode** (str) - 指定池化填充模式，可选值是'same'或'valid'，不区分大小写。默认值：'valid'。
|
||||
- **same** - 输出的高度和宽度分别与输入整除 `stride` 后的值相同。
|
||||
- **valid** - 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。
|
||||
|
||||
- **same** - 输出的高度和宽度分别与输入整除 `stride` 后的值相同。
|
||||
- **valid** - 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。
|
||||
- **data_format** (str) - 输入和输出的数据格式。可选值为'NHWC'或'NCHW'。默认值：'NCHW'。
|
||||
|
||||
- **data_format** (str)：输入和输出的数据格式。可选值为'NHWC'或'NCHW'。默认值：'NCHW'。
|
||||
输入：
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, H_{in}, W_{in})` 的Tensor。数据类型必须为float16或float32。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
两个Tensor组成的tuple，表示最大池化结果和生成最大值的位置。
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, H_{in}, W_{in})` 的Tensor。数据类型必须为float16或float32。
|
||||
- **output** (Tensor) - 输出最大池结果，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 。其数据类型与 `x` 的相同。
|
||||
- **mask** (Tensor) - 输出最大值索引。数据类型为int32。
|
||||
|
||||
**输出：**
|
||||
|
||||
两个Tensor组成的tuple，表示最大池化结果和生成最大值的位置。
|
||||
|
||||
- **output** (Tensor) - 输出最大池结果，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 。其数据类型与 `x` 的相同。
|
||||
- **mask** (Tensor) - 输出最大值索引。数据类型为int32。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
- **TypeError** - `kernel_size` 或 `strides` 既不是int也不是tuple。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
- **TypeError** - `kernel_size` 或 `strides` 既不是int也不是tuple。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
|
|
@ -5,29 +5,25 @@ mindspore.ops.MirrorPad
|
|||
|
||||
通过指定的填充模式和大小对输入Tensor进行填充。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **mode** (str) - 指定填充模式。可选值："REFLECT"和"SYMMETRIC"。
|
||||
默认值："REFLECT"。
|
||||
|
||||
- **mode** (str) - 指定填充模式。可选值："REFLECT"和"SYMMETRIC"。
|
||||
默认值："REFLECT"。
|
||||
输入：
|
||||
- **input_x** (Tensor) - shape: :math:`(N, *)` ，其中 :math:`*` 表示任何数量的附加维度。
|
||||
- **paddings** (Tensor) - shape为 :math:`(N, 2)` 的矩阵。N为输入Tensor的秩。int类型。
|
||||
对于输入的第 `D` 个维度，`paddings[D, 0]` 表示需在输入第 `D` 维头部填充的数量，`paddings[D, 1]` 表示需在输入第 `D` 维尾部填充的数量。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
填充后的Tensor。
|
||||
|
||||
- **input_x** (Tensor) - shape: :math:`(N, *)` ，其中 :math:`*` 表示任何数量的附加维度。
|
||||
- **paddings** (Tensor) - shape为 :math:`(N, 2)` 的矩阵。N为输入Tensor的秩。int类型。
|
||||
对于输入的第 `D` 个维度，`paddings[D, 0]` 表示需在输入第 `D` 维头部填充的数量，`paddings[D, 1]` 表示需在输入第 `D` 维尾部填充的数量。
|
||||
- 如果设置 `mode` 为"REFLECT"，将使用对称轴对称复制的方式来进行填充。
|
||||
如果 `input_x` 为[[1,2,3]，[4,5,6]，[7,8,9]]， `paddings` 为[[1,1], [2,2]]，则输出为[[6,5,4,5,6,5,4]，[3,2,1,2,3,2,1]，[6,5,4,5,6,5,4]，[9,8,7,8,9,8,7]，[6,5,4,5,6,5,4]]。
|
||||
更直观的理解请参见下面的样例。
|
||||
- 如果 `mode` 为"SYMMETRIC"，则填充方法类似于"REFLECT"。它也会根据对称轴复制，但是也包括对称轴。如果 `input_x` 为[[1,2,3],[4,5,6],[7,8,9]]]， `paddings` 为[[1,1], [2,2]]，则输出为[[2,1,1,2,3,3,2]，[2,1,1,2,3,3,2]，[5,4,4,5,6,6,5]，[8,7,7,8,9,9,8]，[8,7,7,8,9,9,8]]。
|
||||
更直观的理解请参见下面的样例。
|
||||
|
||||
**输出：**
|
||||
|
||||
填充后的Tensor。
|
||||
|
||||
- 如果设置 `mode` 为"REFLECT"，将使用对称轴对称复制的方式来进行填充。
|
||||
如果 `input_x` 为[[1,2,3]，[4,5,6]，[7,8,9]]， `paddings` 为[[1,1], [2,2]]，则输出为[[6,5,4,5,6,5,4]，[3,2,1,2,3,2,1]，[6,5,4,5,6,5,4]，[9,8,7,8,9,8,7]，[6,5,4,5,6,5,4]]。
|
||||
更直观的理解请参见下面的样例。
|
||||
- 如果 `mode` 为"SYMMETRIC"，则填充方法类似于"REFLECT"。它也会根据对称轴复制，但是也包括对称轴。如果 `input_x` 为[[1,2,3],[4,5,6],[7,8,9]]]， `paddings` 为[[1,1], [2,2]]，则输出为[[2,1,1,2,3,3,2]，[2,1,1,2,3,3,2]，[5,4,4,5,6,6,5]，[8,7,7,8,9,9,8]，[8,7,7,8,9,9,8]]。
|
||||
更直观的理解请参见下面的样例。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_x` 或 `padings` 不是Tensor。
|
||||
- **TypeError** - `mode` 不是str。
|
||||
- **ValueError** - `paddings.size` 不等于2 * len(`input_x`)。
|
||||
异常：
|
||||
- **TypeError** - `input_x` 或 `padings` 不是Tensor。
|
||||
- **TypeError** - `mode` 不是str。
|
||||
- **ValueError** - `paddings.size` 不等于2 * len(`input_x`)。
|
||||
|
|
|
|||
|
|
@ -12,14 +12,11 @@
|
|||
|
||||
更多详细信息请参见 `A Self Regularized Non-Monotonic Neural Activation Function <https://arxiv.org/abs/1908.08681>`_ 。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **x** (Tensor) - shape: :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度，数据类型支持float16或float32。
|
||||
|
||||
- **x** (Tensor) - shape: :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度，数据类型支持float16或float32。
|
||||
输出：
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，与 `x` 的shape和数据类型相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 的数据类型非float16或float32。
|
||||
异常：
|
||||
- **TypeError** - `x` 的数据类型非float16或float32。
|
||||
|
|
|
|||
|
|
@ -16,17 +16,14 @@
|
|||
- 由于架构的差异，在NPU和CPU上生成的结果可能不一致。
|
||||
- 如果shape表示为 :math:`(D1、D2...、Dn)` ，则D1\*D2... \*DN<=1000000,n<=8。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **x** (Union[Tensor, numbers.Number, bool]) - 第一个输入是数值型、bool，或数据类型为数值型的Tensor。
|
||||
- **y** (Union[Tensor, numbers.Number, bool]) - 当第一个输入是Tensor时，第二个输入可以是数值型、bool，或数据类型为数值型的Tensor。当第一个输入是数值型或bool时，第二个输入必须是数据类型为数值型的Tensor。
|
||||
|
||||
- **x** (Union[Tensor, numbers.Number, bool]) - 第一个输入是数值型、bool，或数据类型为数值型的Tensor。
|
||||
- **y** (Union[Tensor, numbers.Number, bool]) - 当第一个输入是Tensor时，第二个输入可以是数值型、bool，或数据类型为数值型的Tensor。当第一个输入是数值型或bool时，第二个输入必须是数据类型为数值型的Tensor。
|
||||
输出：
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中精度较高或数据类型相对最高的类型。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中精度较高或数据类型相对最高的类型。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `x` 和 `y` 都不是以下之一：Tensor、数值型、bool。
|
||||
- **TypeError** - 如果 `x` 和 `y` 都不是Tensor。
|
||||
- **ValueError** - 如果 `x` 和 `y` 的shape不能相互广播。
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 和 `y` 都不是以下之一：Tensor、数值型、bool。
|
||||
- **TypeError** - 如果 `x` 和 `y` 都不是Tensor。
|
||||
- **ValueError** - 如果 `x` 和 `y` 的shape不能相互广播。
|
||||
|
|
|
|||
|
|
@ -16,16 +16,13 @@
|
|||
.. note::
|
||||
`x` 和 `y` 的shape应该相同，或者可以广播。如果 `y` 是NaN或为无限的，并且 `x` 是0，结果将是NaN。
|
||||
|
||||
**输入：**
|
||||
输入：
|
||||
- **x** (Union[Tensor]) - 第一个输入是Tensor，其数据类型为int32、int64、float16、float32、float64、complex64、complex128或Scalar。
|
||||
- **y** (Union[Tensor]) - 第二个输入是Tensor，其数据类型为int32、int64、float16、float32、float64、complex64、complex128或Scalar。
|
||||
|
||||
- **x** (Union[Tensor]) - 第一个输入是Tensor，其数据类型为int32、int64、float16、float32、float64、complex64、complex128或Scalar。
|
||||
- **y** (Union[Tensor]) - 第二个输入是Tensor，其数据类型为int32、int64、float16、float32、float64、complex64、complex128或Scalar。
|
||||
输出：
|
||||
Tensor，shape与广播后的shape相同，数据类型是两个输入中精度较高的类型。
|
||||
|
||||
**输出：**
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 和 `y` 都不是Tensor。
|
||||
|
||||
Tensor，shape与广播后的shape相同，数据类型是两个输入中精度较高的类型。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `x` 和 `y` 都不是Tensor。
|
||||
|
||||
|
|
|
|||
|
|
@ -22,24 +22,20 @@ mindspore.ops.NLLLoss
|
|||
\sum_{n=1}^{N} l_{n}, & \text { if reduction }=\text { 'sum' }
|
||||
\end{array}\right.
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **reduction** (str) - 指定应用于输出结果的计算方式，比如'none'、'mean'，'sum'，默认值："mean"。
|
||||
|
||||
- **reduction** (str) - 指定应用于输出结果的计算方式，比如'none'、'mean'，'sum'，默认值："mean"。
|
||||
输入：
|
||||
- **logits** (Tensor) - 输入预测值，shape为 :math:`(N, C)` 。数据类型仅支持float32或float16。
|
||||
- **labels** (Tensor) - 输入目标值，shape为 :math:`(N,)` 。数据类型仅支持int32。
|
||||
- **weight** (Tensor) - 指定各类别的权重，shape为 :math:`(C,)` ，数据类型仅支持float32或float16。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
由 `loss` 和 `total_weight` 组成的2个Tensor的tuple。
|
||||
|
||||
- **logits** (Tensor) - 输入预测值，shape为 :math:`(N, C)` 。数据类型仅支持float32或float16。
|
||||
- **labels** (Tensor) - 输入目标值，shape为 :math:`(N,)` 。数据类型仅支持int32。
|
||||
- **weight** (Tensor) - 指定各类别的权重，shape为 :math:`(C,)` ，数据类型仅支持float32或float16。
|
||||
- **loss** (Tensor) - 当 `reduction` 为'none'且 `logits` 为2维Tensor时， `loss` 的shape为 :math:`(N,)` 。否则， `loss` 为scalar。数据类型与 `logits` 相同。
|
||||
- **total_weight** (Tensor) - `total_weight` 是scalar，数据类型与 `weight` 相同。
|
||||
|
||||
**输出：**
|
||||
|
||||
由 `loss` 和 `total_weight` 组成的2个Tensor的tuple。
|
||||
|
||||
- **loss** (Tensor) - 当 `reduction` 为'none'且 `logits` 为2维Tensor时， `loss` 的shape为 :math:`(N,)` 。否则， `loss` 为scalar。数据类型与 `logits` 相同。
|
||||
- **total_weight** (Tensor) - `total_weight` 是scalar，数据类型与 `weight` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `logits` 或 `weight` 的数据类型既不是float16也不是float32， `labels` 不是int32。
|
||||
- **ValueError** - `logits` 不是一维或二维Tensor， `labels` 和 `weight` 不是一维Tensor。 `logits` 是二维Tensor时， `logits` 的第一个维度不等于 `labels` ， `logits` 的第二个维度不等于 `weight` 。 `logits` 是一维Tensor时， `logits` 、 `labels` 和 `weight` 的维度应该相同。
|
||||
异常：
|
||||
- **TypeError** - `logits` 或 `weight` 的数据类型既不是float16也不是float32， `labels` 不是int32。
|
||||
- **ValueError** - `logits` 不是一维或二维Tensor， `labels` 和 `weight` 不是一维Tensor。 `logits` 是二维Tensor时， `logits` 的第一个维度不等于 `labels` ， `logits` 的第二个维度不等于 `weight` 。 `logits` 是一维Tensor时， `logits` 、 `labels` 和 `weight` 的维度应该相同。
|
||||
|
|
@ -13,24 +13,20 @@
|
|||
.. warning::
|
||||
一次最多支持2864个输入框。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **iou_threshold** (float) - 指定删除框的IOU的阈值。默认值：0.5。
|
||||
|
||||
- **iou_threshold** (float) - 指定删除框的IOU的阈值。默认值：0.5。
|
||||
输入：
|
||||
- **bboxes** (Tensor) - 边界框，shape: :math:`(N, 5)` ， `N` 为边界框的数量。每个边界框包含5个值，前4个值为边界框的坐标（x0、y0、x1、y1），代表左上角和右下角的点。最后一个值为边界框的分数。数据类型支持float16或float32。
|
||||
|
||||
**输入：**
|
||||
输出：
|
||||
tuple[Tensor]，包含三个Tensor：output_boxes、output_idx和selected_mask。
|
||||
|
||||
- **bboxes** (Tensor) - 边界框，shape: :math:`(N, 5)` ， `N` 为边界框的数量。每个边界框包含5个值，前4个值为边界框的坐标（x0、y0、x1、y1），代表左上角和右下角的点。最后一个值为边界框的分数。数据类型支持float16或float32。
|
||||
- **output_boxes** (Tensor) - shape: :math:`(N, 5)` 。在GPU和CPU平台上，它是一个边界框的排序列表，按分数对输入 `bboxes` 进行降序排序。在Ascend平台上，它与输入 `bboxes` 相同。
|
||||
- **output_idx** (Tensor) - shape: :math:`(N,)` 。 `output_boxes` 的索引列表。
|
||||
- **selected_mask** (Tensor) - shape: :math:`(N,)` 。输出边界框的掩码列表。在 `output_boxes` 上应用此掩码以获取非极大值抑制算法（NMS）计算后的边界框，或在 `output_idx` 上应用此掩码以获取边界框索引。
|
||||
|
||||
**输出：**
|
||||
|
||||
tuple[Tensor]，包含三个Tensor：output_boxes、output_idx和selected_mask。
|
||||
|
||||
- **output_boxes** (Tensor) - shape: :math:`(N, 5)` 。在GPU和CPU平台上，它是一个边界框的排序列表，按分数对输入 `bboxes` 进行降序排序。在Ascend平台上，它与输入 `bboxes` 相同。
|
||||
- **output_idx** (Tensor) - shape: :math:`(N,)` 。 `output_boxes` 的索引列表。
|
||||
- **selected_mask** (Tensor) - shape: :math:`(N,)` 。输出边界框的掩码列表。在 `output_boxes` 上应用此掩码以获取非极大值抑制算法（NMS）计算后的边界框，或在 `output_idx` 上应用此掩码以获取边界框索引。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **ValueError** - `iou_threshold` 不是float。
|
||||
- **ValueError** - 输入Tensor的第一个维度小于或等于0。
|
||||
- **TypeError** - `bboxes` 的数据类型非float16或float32。
|
||||
异常：
|
||||
- **ValueError** - `iou_threshold` 不是float。
|
||||
- **ValueError** - 输入Tensor的第一个维度小于或等于0。
|
||||
- **TypeError** - `bboxes` 的数据类型非float16或float32。
|
||||
|
|
|
|||
|
|
@ -12,18 +12,15 @@ mindspore.ops.scatter_update
|
|||
|
||||
输入的 `input_x` 和 `updates` 遵循隐式类型转换规则，以确保数据类型一致。如果它们具有不同的数据类型，则低精度数据类型将转换为高精度数据类型。因Parameter对象不支持类型转换，当 `input_x` 为低精度数据类型时，会抛出异常。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Parameter) - scatter_update的输入，任意维度的Parameter。
|
||||
- **indices** (Tensor) - 指定更新操作的索引。数据类型为int32或者int64。如果索引中存在重复项，则更新的顺序无法得知。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 更新操作的Tensor，其数据类型与 `input_x` 相同，shape为 `indices.shape + input_x.shape[1:]` 。
|
||||
|
||||
- **input_x** (Parameter) - scatter_update的输入，任意维度的Parameter。
|
||||
- **indices** (Tensor) - 指定更新操作的索引。数据类型为int32或者int64。如果索引中存在重复项，则更新的顺序无法得知。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 更新操作的Tensor，其数据类型与 `input_x` 相同，shape为 `indices.shape + input_x.shape[1:]` 。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 不是int32或者int64。
|
||||
- **ValueError** - `updates` 的shape不等于 `indices.shape + input_x.shape[1:]` 。
|
||||
- **RuntimeError** - 当 `input_x` 和 `updates` 类型不一致，需要进行类型转换时，如果 `updates` 不支持转成参数 `input_x` 需要的数据类型，就会报错。
|
||||
异常：
|
||||
- **TypeError** - `indices` 不是int32或者int64。
|
||||
- **ValueError** - `updates` 的shape不等于 `indices.shape + input_x.shape[1:]` 。
|
||||
- **RuntimeError** - 当 `input_x` 和 `updates` 类型不一致，需要进行类型转换时，如果 `updates` 不支持转成参数 `input_x` 需要的数据类型，就会报错。
|
||||
|
|
|
|||
|
|
@ -14,22 +14,18 @@ mindspore.ops.select
|
|||
y_i, & \text{otherwise}
|
||||
\end{cases}
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **cond** (Tensor[bool]) - 条件Tensor，决定选择哪一个元素，shape是 :math:`(x_1, x_2, ..., x_N, ..., x_R)`。
|
||||
- **x** (Union[Tensor, int, float]) - 第一个被选择的Tensor或者数字。
|
||||
如果x是一个Tensor，那么shape是 :math:`(x_1, x_2, ..., x_N, ..., x_R)`。
|
||||
如果x是int或者float，那么将会被转化为int32或者float32类型，并且被广播为与y相同的shape。x和y中至少要有一个Tensor。
|
||||
- **y** (Union[Tensor, int, float]) - 第二个被选择的Tensor或者数字。
|
||||
如果y是一个Tensor，那么shape是 :math:`(x_1, x_2, ..., x_N, ..., x_R)`。
|
||||
如果y是int或者float，那么将会被转化为int32或者float32类型，并且被广播为与x相同的shape。x和y中至少要有一个Tensor。
|
||||
|
||||
- **cond** (Tensor[bool]) - 条件Tensor， 决定选择哪一个元素，shape是 :math:`(x_1, x_2, ..., x_N, ..., x_R)`。
|
||||
- **x** (Union[Tensor, int, float]) - 第一个被选择的Tensor或者数字。
|
||||
如果x是一个Tensor，那么shape是 :math:`(x_1, x_2, ..., x_N, ..., x_R)`。
|
||||
如果x是int或者float， 那么将会被转化为int32或者float32类型，并且被广播为与y相同的shape。x和y中至少要有一个Tensor。
|
||||
- **y** (Union[Tensor, int, float]) - 第二个被选择的Tensor或者数字。
|
||||
如果y是一个Tensor，那么shape是 :math:`(x_1, x_2, ..., x_N, ..., x_R)`。
|
||||
如果y是int或者float， 那么将会被转化为int32或者float32类型，并且被广播为与x相同的shape。x和y中至少要有一个Tensor。
|
||||
返回：
|
||||
Tensor，与 `cond` 的shape相同。
|
||||
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，与 `cond` 的shape相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、int或者float。
|
||||
- **ValueError** - 输入的shape不同。
|
||||
异常：
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、int或者float。
|
||||
- **ValueError** - 输入的shape不同。
|
||||
|
|
|
|||
|
|
@ -19,14 +19,11 @@ mindspore.ops.selu
|
|||
|
||||
更多详细信息，请参见 `Self-Normalizing Neural Networks <https://arxiv.org/abs/1706.02515>`_ 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 任意维度的Tensor，数据类型为int8、int32、float16、float32、float64（仅CPU、GPU）。
|
||||
|
||||
- **input_x** (Tensor) - 任意维度的Tensor，数据类型为int8、int32、float16、float32、float64（仅CPU、GPU）。
|
||||
返回：
|
||||
Tensor，数据类型和shape与 `input_x` 的相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，数据类型和shape与 `input_x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_x` 的数据类型不是int8、int32、float16、float32、float64。
|
||||
异常：
|
||||
- **TypeError** - `input_x` 的数据类型不是int8、int32、float16、float32、float64。
|
||||
|
|
|
|||
|
|
@ -7,17 +7,14 @@
|
|||
|
||||
如果 `lengths` 的shape为 :math:`(d_1, d_2, ..., d_n)` ，则生成的Tensor掩码拥有数据类型，其shape为 :math:`(d_1, d_2, ..., d_n, maxlen)` ，且mask :math:`[i_1, i_2, ..., i_n, j] = (j < lengths[i_1, i_2, ..., i_n])` 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **lengths** (Tensor) - 用来计算掩码的Tensor，一般代表长度。此Tensor中的所有值都应小于或等于 `maxlen` 。大于 `maxlen` 的值将被视为 `maxlen` 。其数据类型为int32或int64。
|
||||
- **maxlen** (int) - 指定返回Tensor的长度。其值为正数，且与 `lengths` 中的元素数据类型相同。默认为None。
|
||||
|
||||
- **lengths** (Tensor) - 用来计算掩码的Tensor，一般代表长度。此Tensor中的所有值都应小于或等于 `maxlen` 。大于 `maxlen` 的值将被视为 `maxlen` 。其数据类型为int32或int64。
|
||||
- **maxlen** (int) - 指定返回Tensor的长度。其值为正数，且与 `lengths` 中的元素数据类型相同。默认为None。
|
||||
返回：
|
||||
返回一个Tensor，shape为 `lengths.shape + (maxlen,)` 。
|
||||
|
||||
**返回：**
|
||||
|
||||
返回一个Tensor，shape为 `lengths.shape + (maxlen,)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `lengths` 不是Tensor。
|
||||
- **TypeError** - `maxlen` 不是int。
|
||||
- **TypeError** - `lengths` 的数据类型既不是int32，也不是int64。
|
||||
异常：
|
||||
- **TypeError** - `lengths` 不是Tensor。
|
||||
- **TypeError** - `maxlen` 不是int。
|
||||
- **TypeError** - `lengths` 的数据类型既不是int32，也不是int64。
|
||||
|
|
@ -5,14 +5,11 @@ mindspore.ops.size
|
|||
|
||||
返回一个Scalar，类型为整数，表示输入Tensor的大小，即Tensor中元素的总数。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入参数，shape为 :math:`(x_1, x_2, ..., x_R)` 。数据类型为 `number <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 。
|
||||
|
||||
- **input_x** (Tensor) - 输入参数，shape为 :math:`(x_1, x_2, ..., x_R)` 。数据类型为 `number <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 。
|
||||
返回：
|
||||
整数，表示 `input_x` 元素大小的Scalar。它的值为 :math:`size=x_1*x_2*...x_R` 。
|
||||
|
||||
**返回：**
|
||||
|
||||
整数，表示 `input_x` 元素大小的Scalar。它的值为 :math:`size=x_1*x_2*...x_R` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `input_x` 不是Tensor。
|
||||
|
|
|
|||
|
|
@ -12,16 +12,13 @@ mindspore.ops.slice
|
|||
|
||||
如果 `size[i]` 为-1，则维度i中的所有剩余元素都包含在切片中。这相当于 :math:`size[i] = input_x.shape(i) - begin[i]` 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - Slice的输入，任意维度的Tensor。
|
||||
- **begin** (Union[tuple, list]) - 切片的起始位置。只支持常量值（>=0）。
|
||||
- **size** (Union[tuple, list]) - 切片的大小。只支持常量值。
|
||||
|
||||
- **input_x** (Tensor) - Slice的输入，任意维度的Tensor。
|
||||
- **begin** (Union[tuple, list]) - 切片的起始位置。只支持常量值（>=0）。
|
||||
- **size** (Union[tuple, list]) - 切片的大小。只支持常量值。
|
||||
返回：
|
||||
Tensor，shape与输入 `size` 相同，数据类型与输入 `input_x` 的相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape与输入 `size` 相同，数据类型与输入 `input_x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `begin` 或 `size` 既不是tuple也不是list。
|
||||
异常：
|
||||
- **TypeError** - `begin` 或 `size` 既不是tuple也不是list。
|
||||
|
|
@ -30,21 +30,18 @@ mindspore.ops.smooth_l1_loss
|
|||
.. note::
|
||||
在Ascend上，目前不支持将 `reduction` 设定成'sum'或'mean'。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **logits** (Tensor) - shape： :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度。数据类型支持float16、float32或float64。
|
||||
- **labels** (Tensor) - shape： :math:`(N, *)` ，与 `logits` 的shape和数据类型相同。
|
||||
- **beta** (float) - 控制损失函数在L1Loss和L2Loss间变换的阈值。默认值：1.0。
|
||||
- **reduction** (str) - 缩减输出的方法。默认值：'none'。 其他选项：'mean'和'sum'。
|
||||
|
||||
- **logits** (Tensor) - shape： :math:`(N, *)` ，其中 :math:`*` 表示任意数量的附加维度。数据类型支持float16、float32或float64。
|
||||
- **labels** (Tensor) - shape： :math:`(N, *)` ，与 `logits` 的shape和数据类型相同。
|
||||
- **beta** (float) - 控制损失函数在L1Loss和L2Loss间变换的阈值。默认值：1.0。
|
||||
- **reduction** (str) - 缩减输出的方法。默认值：'none'。 其他选项：'mean'和'sum'。
|
||||
返回：
|
||||
Tensor。如果 `reduction` 为'none'，则输出为Tensor且与 `logits` 的shape相同。否则shape为 `(1,)`。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor。如果 `reduction` 为'none'，则输出为Tensor且与 `logits` 的shape相同。否则shape为 `(1,)`。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `beta` 不是float类型。
|
||||
- **ValueError** - `reduction` 不是'none'，'mean'和'sum'中的任一者。
|
||||
- **TypeError** - `logits` 或 `labels` 的数据类型不是float16，float32和float64中的任一者。
|
||||
- **ValueError** - `beta` 小于或等于0。
|
||||
- **ValueError** - `logits` 与 `labels` 的shape不同。
|
||||
异常：
|
||||
- **TypeError** - `beta` 不是float类型。
|
||||
- **ValueError** - `reduction` 不是'none'，'mean'和'sum'中的任一者。
|
||||
- **TypeError** - `logits` 或 `labels` 的数据类型不是float16，float32和float64中的任一者。
|
||||
- **ValueError** - `beta` 小于或等于0。
|
||||
- **ValueError** - `logits` 与 `labels` 的shape不同。
|
||||
|
|
|
|||
|
|
@ -13,18 +13,15 @@ mindspore.ops.soft_shrink
|
|||
0, & \text{ otherwise }
|
||||
\end{cases}
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - Soft Shrink的输入，数据类型为float16或float32。
|
||||
- **lambd** (float) - :math:`\lambda` ，应大于等于0。默认值：0.5。
|
||||
|
||||
- **x** (Tensor) - Soft Shrink的输入，数据类型为float16或float32。
|
||||
- **lambd** (float) - :math:`\lambda` ，应大于等于0。默认值：0.5。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `lambd` 不是float。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的dtype既不是float16也不是float32。
|
||||
- **ValueError** - `lambd` 小于0。
|
||||
异常：
|
||||
- **TypeError** - `lambd` 不是float。
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的dtype既不是float16也不是float32。
|
||||
- **ValueError** - `lambd` 小于0。
|
||||
|
|
|
|||
|
|
@ -10,15 +10,12 @@ mindspore.ops.softsign
|
|||
.. math::
|
||||
\text{SoftSign}(x) = \frac{x}{1 + |x|}
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - shape为 :math:`(N, *)` 的Tensor，其中 :math:`*` 表示任意个数的维度。它的数据类型必须为float16或float32。
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, *)` 的Tensor, 其中 :math:`*` 表示任意个数的维度。它的数据类型必须为float16或float32。
|
||||
返回：
|
||||
Tensor，数据类型和shape与 `x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，数据类型和shape与 `x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
|
|
|
|||
|
|
@ -21,22 +21,19 @@ mindspore.ops.space_to_batch_nd
|
|||
|
||||
Ascend只支持四维张量的输入。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入张量，Ascend平台必须为四维。
|
||||
- **block_size** (list[int], tuple[int], int) - 块形状描述空间维度为分割的个数。如果 `block_size` 为list或者tuple，其长度 `M` 为空间维度的长度。如果 `block_size` 为整数，那么所有空间维度分割的个数均为 `block_size` 。在Ascend后端 `M` 必须为2。
|
||||
- **paddings** (tuple, list) - 空间维度的填充大小。
|
||||
|
||||
- **input_x** (Tensor) - 输入张量，Ascend平台必须为四维。
|
||||
- **block_size** (list[int], tuple[int], int) - 块形状描述空间维度为分割的个数。如果 `block_size` 为list或者tuple，其长度 `M` 为空间维度的长度。如果 `block_size` 为整数，那么所有空间维度分割的个数均为 `block_size` 。在Ascend后端 `M` 必须为2。
|
||||
- **paddings** (tuple, list) - 空间维度的填充大小。
|
||||
返回：
|
||||
Tensor，经过划分排列之后的结果。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，经过划分排列之后的结果。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `block_size` 不是 list, tuple 或者 int。
|
||||
- **TypeError** - 如果 `paddings` 不是 list 或者 tuple。
|
||||
- **ValueError** - 如果当 `block_size` 为 list 或 tuple， `block_size` 不是一维。
|
||||
- **ValueError** - 如果 Ascend 平台上 `block_size` 长度不是2。
|
||||
- **ValueError** - 如果 `paddings` 的形状不是 (2, M), 其中 M 为 `block_size` 的长度。
|
||||
- **ValueError** - 如果 `block_size` 的元素不是大于一的整数。
|
||||
- **ValueError** - 如果 `paddings` 的元素不是非负的整数。
|
||||
异常：
|
||||
- **TypeError** - 如果 `block_size` 不是 list, tuple 或者 int。
|
||||
- **TypeError** - 如果 `paddings` 不是 list 或者 tuple。
|
||||
- **ValueError** - 如果当 `block_size` 为 list 或 tuple， `block_size` 不是一维。
|
||||
- **ValueError** - 如果 Ascend 平台上 `block_size` 长度不是2。
|
||||
- **ValueError** - 如果 `paddings` 的形状不是 (2, M), 其中 M 为 `block_size` 的长度。
|
||||
- **ValueError** - 如果 `block_size` 的元素不是大于一的整数。
|
||||
- **ValueError** - 如果 `paddings` 的元素不是非负的整数。
|
||||
|
|
|
|||
|
|
@ -5,28 +5,25 @@ mindspore.ops.sparse_add
|
|||
|
||||
两个COOTensor相加，根据相加的结果与thresh返回新的COOTensor。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x1** (COOTensor) - 一个操作数，与当前操作数相加。
|
||||
- **x2** (COOTensor) - 另一个操作数，与当前操作数相加。
|
||||
- **thresh** (Tensor) - 0维，用来决定sparse_add结果中的indices/values对是否出现。
|
||||
|
||||
- **x1** (COOTensor) - 一个操作数，与当前操作数相加。
|
||||
- **x2** (COOTensor) - 另一个操作数，与当前操作数相加。
|
||||
- **thresh** (Tensor) - 0维， 用来决定sparse_add结果中的indices/values对是否出现。
|
||||
返回：
|
||||
COOTensor，为两COOTensor相加后的结果。
|
||||
|
||||
**返回：**
|
||||
|
||||
COOTensor, 为两COOTensor相加后的结果。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **ValueError** - 如果操作数(x1/x2)的indices的维度不等于2。
|
||||
- **ValueError** - 如果操作数(x1/x2)的values的维度不等于1。
|
||||
- **ValueError** - 如果操作数(x1/x2)的shape的维度不等于1。
|
||||
- **ValueError** - 如果thresh的维度不等于0。
|
||||
- **TypeError** - 如果操作数(x1/x2)的indices的数据类型不为int64。
|
||||
- **TypeError** - 如果操作数(x1/x2)的shape的数据类型不为int64。
|
||||
- **ValueError** - 如果操作数(x1/x2)的indices的长度不等于它的values的长度。
|
||||
- **TypeError** - 如果操作数(x1/x2)的values的数据类型不为(int8/int16/int32/int64/float32/float64/complex64/complex128)中的任何一个。
|
||||
- **TypeError** - 如果thresh的数据类型不为(int8/int16/int32/int64/float32/float64)中的任何一个。
|
||||
- **TypeError** - 如果操作数x1的indices数据类型不等于x2的indices数据类型。
|
||||
- **TypeError** - 如果操作数x1的values数据类型不等于x2的values数据类型。
|
||||
- **TypeError** - 如果操作数x1的shape数据类型不等于x2的shape数据类型。
|
||||
- **TypeError** - 如果操作数(x1/x2)的values的数据类型与thresh数据类型不匹配。
|
||||
异常：
|
||||
- **ValueError** - 如果操作数(x1/x2)的indices的维度不等于2。
|
||||
- **ValueError** - 如果操作数(x1/x2)的values的维度不等于1。
|
||||
- **ValueError** - 如果操作数(x1/x2)的shape的维度不等于1。
|
||||
- **ValueError** - 如果thresh的维度不等于0。
|
||||
- **TypeError** - 如果操作数(x1/x2)的indices的数据类型不为int64。
|
||||
- **TypeError** - 如果操作数(x1/x2)的shape的数据类型不为int64。
|
||||
- **ValueError** - 如果操作数(x1/x2)的indices的长度不等于它的values的长度。
|
||||
- **TypeError** - 如果操作数(x1/x2)的values的数据类型不为(int8/int16/int32/int64/float32/float64/complex64/complex128)中的任何一个。
|
||||
- **TypeError** - 如果thresh的数据类型不为(int8/int16/int32/int64/float32/float64)中的任何一个。
|
||||
- **TypeError** - 如果操作数x1的indices数据类型不等于x2的indices数据类型。
|
||||
- **TypeError** - 如果操作数x1的values数据类型不等于x2的values数据类型。
|
||||
- **TypeError** - 如果操作数x1的shape数据类型不等于x2的shape数据类型。
|
||||
- **TypeError** - 如果操作数(x1/x2)的values的数据类型与thresh数据类型不匹配。
|
||||
|
|
|
|||
|
|
@ -8,18 +8,15 @@ mindspore.ops.sparse_concat
|
|||
.. note::
|
||||
实验特性接口，目前只支持CPU。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **sp_input** (Union[list(COOTnesor), tuple(COOTensor)) - 输入的需要concat合并的稀疏张量。
|
||||
- **concat_dim** (标量) - 指定需要合并的轴序号，它的取值必须是在[-rank, rank)之内，
|
||||
其中rank为sp_input中COOTensor的shape的纬度值
|
||||
|
||||
- **sp_input** (Union[list(COOTnesor), tuple(COOTensor)) - 输入的需要concat合并的稀疏张量。
|
||||
- **concat_dim** (标量) - 指定需要合并的轴序号, 它的取值必须是在[-rank, rank)之内，
|
||||
其中rank为sp_input中COOTensor的shape的纬度值
|
||||
返回：
|
||||
COOTensor，按concat_dim轴合并后的COOTensor。
|
||||
|
||||
**返回：**
|
||||
|
||||
COOTensor，按concat_dim轴合并后的COOTensor。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **ValueError** - 如果只有一个COOTensor输入，报错。
|
||||
- **ValueError** - 如果输入的COOTensor的shape纬度大于3。COOTensor的构造会报错，
|
||||
目前COOTensor的shape纬度只能为2
|
||||
异常：
|
||||
- **ValueError** - 如果只有一个COOTensor输入，报错。
|
||||
- **ValueError** - 如果输入的COOTensor的shape纬度大于3。COOTensor的构造会报错，
|
||||
目前COOTensor的shape纬度只能为2
|
||||
|
|
|
|||
|
|
@ -9,21 +9,18 @@ mindspore.ops.sparse_segment_mean
|
|||
- 在CPU平台， `segment_ids` 中的值会被校验是否排序，若索引值不是升序的，则抛出错误。另外， `indices` 中的值也会被校验是否在界限内，若索引值超出范围[0, x.shape[0])，则抛出错误。
|
||||
- 在GPU平台，对于 `segment_ids` 未排序和 `indices` 越界则不抛出错误。如果，无序的 `segment_ids` 会导致安全但未指定的行为，而超出范围的 `indices` 将被忽略。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - Tensor，其维度必须大于或等于1。
|
||||
- **indices** (Tensor) - 1维Tensor，数据类型为int32或int64。
|
||||
- **segment_ids** (Tensor) - 1维Tensor，与 `indices` 有同样的数据类型。索引值应当是已排序的，并且可以重复。
|
||||
|
||||
- **x** (Tensor) - Tensor，其维度必须大于或等于1。
|
||||
- **indices** (Tensor) - 1维Tensor，数据类型为int32或int64。
|
||||
- **segment_ids** (Tensor) - 1维Tensor，与 `indices` 有同样的数据类型。索引值应当是已排序的，并且可以重复。
|
||||
返回：
|
||||
Tensor，其数据类型和维数与 `x` 相同。第一维度等于 `segment_ids` 的最后一个元素的值加一，其他维度与 `x` 的对应维度相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，其数据类型和维数与 `x` 相同。第一维度等于 `segment_ids` 的最后一个元素的值加一，其他维度与 `x` 的对应维度相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 、 `indices` 或 `segment_ids` 不是Tensor类型。
|
||||
- **TypeError** - `x` 的数据类型不是float16、float32、float64的任一类型。
|
||||
- **TypeError** - `indices` 和 `segment_ids` 的数据类型不是int32、int64的任一类型。
|
||||
- **TypeError** - `indices` 和 `segment_ids` 的数据类型不相同。
|
||||
- **ValueError** - `x` 、 `indices` 或 `segment_ids` 的维度不满足上述要求。
|
||||
- **ValueError** - `indices` 或 `segment_ids` 的shape不相同。
|
||||
异常：
|
||||
- **TypeError** - `x` 、 `indices` 或 `segment_ids` 不是Tensor类型。
|
||||
- **TypeError** - `x` 的数据类型不是float16、float32、float64的任一类型。
|
||||
- **TypeError** - `indices` 和 `segment_ids` 的数据类型不是int32、int64的任一类型。
|
||||
- **TypeError** - `indices` 和 `segment_ids` 的数据类型不相同。
|
||||
- **ValueError** - `x` 、 `indices` 或 `segment_ids` 的维度不满足上述要求。
|
||||
- **ValueError** - `indices` 或 `segment_ids` 的shape不相同。
|
||||
|
|
|
|||
|
|
@ -7,19 +7,15 @@ mindspore.ops.split
|
|||
|
||||
`input_x` Tensor将被分割为相同shape的子Tensor，且要求 `input_x.shape(axis)` 可被 `output_num` 整除。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - Tensor的shape为 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **axis** (int) - 指定分割轴。默认值：0。
|
||||
- **output_num** (int) - 指定分割数量。其值为正整数。默认值：1。
|
||||
|
||||
- **input_x** (Tensor) - Tensor的shape为 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **axis** (int) - 指定分割轴。默认值：0。
|
||||
- **output_num** (int) - 指定分割数量。其值为正整数。默认值：1。
|
||||
返回：
|
||||
tuple[Tensor]，每个输出Tensor的shape相同，即 :math:`(y_1, y_2, ..., y_S)` 。数据类型与 `input_x` 的相同。
|
||||
|
||||
|
||||
**返回：**
|
||||
|
||||
tuple[Tensor]，每个输出Tensor的shape相同，即 :math:`(y_1, y_2, ..., y_S)` 。数据类型与 `input_x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `axis` 或 `output_num` 不是int。
|
||||
- **ValueError** - `axis` 超出[-len(`input_x.shape`), len(`input_x.shape`))范围。或 `output_num` 小于或等于0。
|
||||
- **ValueError** - `input_x.shape(axis)` 不可被 `output_num` 整除。
|
||||
异常：
|
||||
- **TypeError** - `axis` 或 `output_num` 不是int。
|
||||
- **ValueError** - `axis` 超出[-len(`input_x.shape`), len(`input_x.shape`))范围。或 `output_num` 小于或等于0。
|
||||
- **ValueError** - `input_x.shape(axis)` 不可被 `output_num` 整除。
|
||||
|
|
|
|||
|
|
@ -9,16 +9,13 @@
|
|||
|
||||
给定输入Tensor的shape为 :math:`(x_1, x_2, ..., x_R)` 。若输入Tensor的长度为 `N` 。如果存在 :math:`axis \ge 0` ，则输出Tensor的shape为 :math:`(x_1, x_2, ..., x_{axis}, N, x_{axis+1}, ..., x_R)` 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Union[tuple, list]) - 输入多个Tensor对象组成的tuple或list，每个Tensor具有相同shape和数据类型。
|
||||
- **axis** (int) - 指定堆叠运算的轴。取值范围为[-(R+1), R+1)。默认值：0。
|
||||
|
||||
- **input_x** (Union[tuple, list]) - 输入多个Tensor对象组成的tuple或list，每个Tensor具有相同shape和数据类型。
|
||||
- **axis** (int) - 指定堆叠运算的轴。取值范围为[-(R+1), R+1)。默认值：0。
|
||||
返回：
|
||||
堆叠运算后的Tensor，数据类型和 `input_x` 的相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
堆叠运算后的Tensor，数据类型和 `input_x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_x` 中元素的数据类型不相同。
|
||||
- **ValueError** - `input_x` 的长度不大于1，或axis不在[-(R+1),R+1)范围中，或 `input_x` 中元素的shape不相同。
|
||||
异常：
|
||||
- **TypeError** - `input_x` 中元素的数据类型不相同。
|
||||
- **ValueError** - `input_x` 的长度不大于1，或axis不在[-(R+1),R+1)范围中，或 `input_x` 中元素的shape不相同。
|
||||
|
|
|
|||
|
|
@ -9,18 +9,15 @@ mindspore.ops.standard_laplace
|
|||
.. math::
|
||||
\text{f}(x) = \frac{1}{2}\exp(-|x|)
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **shape** (Union[tuple, Tensor]) - 待生成的Tensor的shape。当为tuple类型时，只支持常量值；当为Tensor类型时，支持动态Shape。
|
||||
- **seed** (int) - 算子层的随机种子，用于生成随机数。必须是非负的。默认值：0。
|
||||
- **seed2** (int) - 全局的随机种子，和算子层的随机种子共同决定最终生成的随机数。必须是非负的。默认值：0。
|
||||
|
||||
- **shape** (Union[tuple, Tensor]) - 待生成的Tensor的shape。当为tuple类型时，只支持常量值；当为Tensor类型时，支持动态Shape。
|
||||
- **seed** (int) - 算子层的随机种子，用于生成随机数。必须是非负的。默认值：0。
|
||||
- **seed2** (int) - 全局的随机种子，和算子层的随机种子共同决定最终生成的随机数。必须是非负的。默认值：0。
|
||||
返回：
|
||||
Tensor，其shape为输入 `shape`。数据类型为float32。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，其shape为输入 `shape`。数据类型为float32。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `seed` 或 `seed2` 不是int。
|
||||
- **TypeError** - `shape` 不是tuple。
|
||||
- **ValueError** - `shape` 不是常量值。
|
||||
异常：
|
||||
- **TypeError** - `seed` 或 `seed2` 不是int。
|
||||
- **TypeError** - `shape` 不是tuple。
|
||||
- **ValueError** - `shape` 不是常量值。
|
||||
|
|
|
|||
|
|
@ -10,18 +10,15 @@ mindspore.ops.standard_normal
|
|||
.. math::
|
||||
f(x)=\frac{1}{\sqrt{2 \pi}} e^{\left(-\frac{x^{2}}{2}\right)}
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **shape** (tuple) - 目标随机数Tensor的shape。只允许常量值。
|
||||
- **seed** (int) - 随机种子，非负值。默认值：0。
|
||||
- **seed2** (int) - 随机种子2，用来防止随机种子冲突，非负值。默认值：0。
|
||||
|
||||
- **shape** (tuple) - 目标随机数Tensor的shape。只允许常量值。
|
||||
- **seed** (int) - 随机种子，非负值。默认值：0。
|
||||
- **seed2** (int) - 随机种子2，用来防止随机种子冲突，非负值。默认值：0。
|
||||
返回：
|
||||
Tensor。shape为输入 `shape` 。数据类型支持float32。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor。shape为输入 `shape` 。数据类型支持float32。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `seed` 或 `seed2` 不是int类型。
|
||||
- **TypeError** - `shape` 不是Tuple。
|
||||
- **ValueError** - `shape` 不是常量值。
|
||||
异常：
|
||||
- **TypeError** - `seed` 或 `seed2` 不是int类型。
|
||||
- **TypeError** - `shape` 不是Tuple。
|
||||
- **ValueError** - `shape` 不是常量值。
|
||||
|
|
|
|||
|
|
@ -15,15 +15,12 @@ mindspore.ops.sub
|
|||
- 当输入是两个Tensor时，它们的数据类型不能同时是bool，它们的shape可以广播。
|
||||
- 当输入是一个Tensor和一个Scalar时，Scalar只能是一个常数。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Union[Tensor, number.Number, bool]) - 第一个输入，是一个number.Number、bool值或数据类型为 `number <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 的Tensor。
|
||||
- **y** (Union[Tensor, number.Number, bool]) - 第二个输入，当第一个输入是Tensor时，第二个输入应该是一个number.Number或bool值，或数据类型为number或bool_的Tensor。当第一个输入是Scalar时，第二个输入必须是数据类型为number或bool_的Tensor。
|
||||
|
||||
- **x** (Union[Tensor, number.Number, bool]) - 第一个输入，是一个number.Number、bool值或数据类型为 `number <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 的Tensor。
|
||||
- **y** (Union[Tensor, number.Number, bool]) - 第二个输入，当第一个输入是Tensor时，第二个输入应该是一个number.Number或bool值，或数据类型为number或bool_的Tensor。当第一个输入是Scalar时，第二个输入必须是数据类型为number或bool_的Tensor。
|
||||
返回：
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中精度较高的类型。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中精度较高的类型。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、number.Number或bool。
|
||||
异常：
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、number.Number或bool。
|
||||
|
|
|
|||
|
|
@ -10,20 +10,17 @@ mindspore.ops.svd
|
|||
.. math::
|
||||
A=U*diag(S)*V^{T}
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **a** (Tensor) - 待分解的矩阵。shape为 :math:`(*, M, N)` 。
|
||||
- **full_matrices** (bool, optional) - 如果为True，则计算完整的 :math:`U` 和 :math:`V` 。否则仅计算前P个奇异向量，P为M和N中的较小值，M和N分别是输入矩阵的行和列。默认值：False。
|
||||
- **compute_uv** (bool, optional) - 如果这个参数为True，则计算 :math:`U` 和 :math:`V` , 否则只计算 :math:`S` 。默认值：True。
|
||||
|
||||
- **a** (Tensor) - 待分解的矩阵。shape为 :math:`(*, M, N)` 。
|
||||
- **full_matrices** (bool, optional) - 如果为True，则计算完整的 :math:`U` 和 :math:`V` 。否则仅计算前P个奇异向量，P为M和N中的较小值，M和N分别是输入矩阵的行和列。默认值：False。
|
||||
- **compute_uv** (bool, optional) - 如果这个参数为True，则计算 :math:`U` 和 :math:`V` , 否则只计算 :math:`S` 。默认值：True。
|
||||
返回：
|
||||
- **s** (Tensor) - 奇异值。shape为 :math:`(*, P)` 。
|
||||
- **u** (Tensor) - 左奇异向量。如果 `compute_uv` 为False，该值不会返回。shape为 :math:`(*, M, P)` 。如果 `full_matrices` 为True，则shape为 :math:`(*, M, M)` 。
|
||||
- **v** (Tensor) - 右奇异向量。如果 `compute_uv` 为False，该值不会返回。shape为 :math:`(*, P, N)` 。如果 `full_matrices` 为True，则shape为 :math:`(*, N, N)` 。
|
||||
|
||||
**返回：**
|
||||
|
||||
- **s** (Tensor) - 奇异值。shape为 :math:`(*, P)` 。
|
||||
- **u** (Tensor) - 左奇异向量。如果 `compute_uv` 为False，该值不会返回。shape为 :math:`(*, M, P)` 。如果 `full_matrices` 为True，则shape为 :math:`(*, M, M)` 。
|
||||
- **v** (Tensor) - 右奇异向量。如果 `compute_uv` 为False，该值不会返回。shape为 :math:`(*, P, N)` 。如果 `full_matrices` 为True，则shape为 :math:`(*, N, N)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `full_matrices` 或 `compute_uv` 不是bool类型。
|
||||
- **TypeError** - 输入的rank小于2。
|
||||
- **TypeError** - 输入的数据类型不为float32或float64。
|
||||
异常：
|
||||
- **TypeError** - `full_matrices` 或 `compute_uv` 不是bool类型。
|
||||
- **TypeError** - 输入的rank小于2。
|
||||
- **TypeError** - 输入的数据类型不为float32或float64。
|
||||
|
|
|
|||
|
|
@ -8,14 +8,11 @@ mindspore.ops.tan
|
|||
.. math::
|
||||
out_i = tan(x_i)
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - Tan的输入，任意维度的Tensor。
|
||||
|
||||
- **x** (Tensor) - Tan的输入，任意维度的Tensor。
|
||||
返回：
|
||||
Tensor，数据类型和shape与 `x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，数据类型和shape与 `x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
|
|
|
|||
|
|
@ -12,15 +12,12 @@
|
|||
|
||||
其中 :math:`x_i` 是输入Tensor的元素。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - Tanh的输入，任意维度的Tensor，其数据类型为float16或float32。
|
||||
|
||||
- **input_x** (Tensor) - Tanh的输入，任意维度的Tensor，其数据类型为float16或float32。
|
||||
返回：
|
||||
Tensor，数据类型和shape与 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，数据类型和shape与 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_x` 的数据类型既不是float16也不是float32。
|
||||
- **TypeError** - `input_x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `input_x` 的数据类型既不是float16也不是float32。
|
||||
- **TypeError** - `input_x` 不是Tensor。
|
||||
|
|
@ -11,17 +11,14 @@
|
|||
|
||||
axes = 0为外积。axes = 1为普通矩阵乘法（输入是2维的）。axes = 1与axes = ((1,),(0,)相同，其中 `a` 和 `b` 都是2维的。axes = 2与axes = ((1,2),(0,1))相同，其中 `a` 和 `b` 都是3维的。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x1** (Tensor) - tensor_dot的第一个输入Tensor，其数据类型为float16或float32。
|
||||
- **x2** (Tensor) - tensor_dot的第二个输入Tensor，其数据类型为float16或float32。
|
||||
- **axes** (Union[int, tuple(int), tuple(tuple(int)), list(list(int))]) - 指定 `a` 和 `b` 计算轴，可为单个值，也可为长度为2的tuple或list。如果传递了单个值 `N` ，则自动从输入 `a` 的shape中获取最后N个维度，从输入 `b` 的shape中获取前N个维度，分别作为每个维度的轴。
|
||||
|
||||
- **x1** (Tensor) - tensor_dot的第一个输入Tensor，其数据类型为float16或float32。
|
||||
- **x2** (Tensor) - tensor_dot的第二个输入Tensor，其数据类型为float16或float32。
|
||||
- **axes** (Union[int, tuple(int), tuple(tuple(int)), list(list(int))]) - 指定 `a` 和 `b` 计算轴，可为单个值，也可为长度为2的tuple或list。如果传递了单个值 `N` ，则自动从输入 `a` 的shape中获取最后N个维度，从输入 `b` 的shape中获取前N个维度，分别作为每个维度的轴。
|
||||
返回：
|
||||
Tensor，输出Tensor的shape为 :math:`(N + M)` 。其中 :math:`N` 和 :math:`M` 在两个输入中没有计算，是自由轴。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，输出Tensor的shape为 :math:`(N + M)` 。其中 :math:`N` 和 :math:`M` 在两个输入中没有计算，是自由轴。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x1` 或 `x2` 不是Tensor。
|
||||
- **TypeError** - `axes` 不是int、tuple或list。
|
||||
异常：
|
||||
- **TypeError** - `x1` 或 `x2` 不是Tensor。
|
||||
- **TypeError** - `axes` 不是int、tuple或list。
|
||||
|
|
@ -10,17 +10,14 @@
|
|||
.. note::
|
||||
GPU平台上，如果 `indices` 的某些值超出范围，则相应的 `updates` 不会更新到 `input_x` ，而不是抛出索引错误；CPU平台上直接抛出索引错误；Ascend平台不支持越界检查，若越界可能会造成未知错误。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相加操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相加操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
异常：
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
|
|
|
|||
|
|
@ -11,18 +11,14 @@ mindspore.ops.tensor_scatter_div
|
|||
- 如果 `indices` 的某些值超出范围，则相应的 `updates` 不会更新为 `input_x` ，而不是抛出索引错误。
|
||||
- 算子无法处理除0异常, 用户需保证 `updates` 中没有0值。
|
||||
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64的。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相加操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
|
||||
**参数：**
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64的。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相加操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
异常：
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
|
|
|
|||
|
|
@ -21,22 +21,19 @@
|
|||
.. note::
|
||||
如果 `indices` 的某些值超出范围，则相应的 `updates` 不会更新到 `input_x` ，也不会抛出索引错误。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 其rank必须至少为1。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64的。其rank必须和 `input_x` 一致。取值范围是[-s, s)，这里的s是 `input_x` 在 `axis` 指定轴的size。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 进行reduction操作的Tensor，其数据类型与输入的数据类型相同。updates的shape必须等于indices的shape。
|
||||
- **axis** (int) - `input_x` reduction操作的轴，默认值是0。取值范围是[-r, r)，其中r是 `input_x` 的秩。
|
||||
- **reduction** (str) - 指定进行的reduction操作。默认值是"none"，可选"add"。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 其rank必须至少为1。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64的。其rank必须和 `input_x` 一致。取值范围是[-s, s), 这里的s是 `input_x` 在 `axis` 指定轴的size。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 进行reduction操作的Tensor，其数据类型与输入的数据类型相同。updates的shape必须等于indices的shape。
|
||||
- **axis** (int) - `input_x` reduction操作的轴，默认值是0。取值范围是[-r, r)，其中r是 `input_x` 的秩。
|
||||
- **reduction** (str) - 指定进行的reduction操作。默认值是"none"，可选"add"。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 、 `indices` 和 `updates` 中，任意一者的秩小于1。
|
||||
- **ValueError** - `updates` 的shape和 `indices` 的shape不一样。
|
||||
- **ValueError** - `updates` 的秩和 `input_x` 的秩不一样。
|
||||
- **RuntimeError** - `input_x` 的数据类型和 `updates` 的数据类型不能隐式转换。
|
||||
异常：
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 、 `indices` 和 `updates` 中，任意一者的秩小于1。
|
||||
- **ValueError** - `updates` 的shape和 `indices` 的shape不一样。
|
||||
- **ValueError** - `updates` 的秩和 `input_x` 的秩不一样。
|
||||
- **RuntimeError** - `input_x` 的数据类型和 `updates` 的数据类型不能隐式转换。
|
||||
|
|
@ -10,17 +10,14 @@
|
|||
.. note::
|
||||
如果 `indices` 的某些值超出范围，则 `input_x` 不会更新相应的 `updates`，同时也不会抛出索引错误。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于indices.shape[-1]。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank必须至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 取最小值操作的Tensor，其数据类型与输入相同。updates.shape应该等于indices.shape[:-1] + input_x.shape[indices.shape[-1]:]。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于indices.shape[-1]。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank必须至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 取最小值操作的Tensor，其数据类型与输入相同。updates.shape应该等于indices.shape[:-1] + input_x.shape[indices.shape[-1]:]。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
异常：
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
|
|
|
|||
|
|
@ -10,17 +10,14 @@
|
|||
.. note::
|
||||
如果 `indices` 的某些值超出范围，则相应的 `updates` 不会更新为 `input_x` ，而不是抛出索引错误。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 取最小值操作的Tensor，其数据类型与输入相同。 `updates.shape` 应该等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 取最小值操作的Tensor，其数据类型与输入相同。 `updates.shape` 应该等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
异常：
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
|
|
|
|||
|
|
@ -10,17 +10,14 @@ mindspore.ops.tensor_scatter_mul
|
|||
.. note::
|
||||
- 如果 `indices` 的某些值超出 `input_x` 的维度范围，则相应的 `updates` 不会更新为 `input_x` ，而不是抛出索引错误。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64的。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相加操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64的。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相加操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
异常：
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
|
|
|
|||
|
|
@ -10,17 +10,14 @@
|
|||
.. note::
|
||||
GPU平台上，如果 `indices` 的某些值超出范围，则相应的 `updates` 不会更新到 `input_x` ，而不是抛出索引错误；CPU平台上直接抛出索引错误；Ascend平台不支持越界检查，若越界可能会造成未知错误。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相减操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。 `input_x` 的维度必须不小于 `indices.shape[-1]` 。
|
||||
- **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64。其rank至少为2。
|
||||
- **updates** (Tensor) - 指定与 `input_x` 相减操作的Tensor，其数据类型与输入相同。 `updates.shape` 应等于 `indices.shape[:-1] + input_x.shape[indices.shape[-1]:]` 。
|
||||
返回：
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape和数据类型与输入 `input_x` 相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
异常：
|
||||
- **TypeError** - `indices` 的数据类型既不是int32，也不是int64。
|
||||
- **ValueError** - `input_x` 的shape长度小于 `indices` 的shape的最后一个维度。
|
||||
|
|
|
|||
|
|
@ -11,20 +11,17 @@ mindspore.ops.tile
|
|||
|
||||
`multiples` 的长度必须大于或等于 `input_x` 的维度。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 1-D或更高维的Tensor。
|
||||
- **multiples** (tuple[int]) - 指定复制次数的参数，参数类型为tuple，数据类型为整数。如 :math:`(y_1, y_2, ..., y_S)` 。 `multiples` 的长度不能小于 `input_x` 的维度。只支持常量值。
|
||||
|
||||
- **input_x** (Tensor) - 1-D或更高维的Tensor。
|
||||
- **multiples** (tuple[int]) - 指定复制次数的参数，参数类型为tuple，数据类型为整数。如 :math:`(y_1, y_2, ..., y_S)` 。 `multiples` 的长度不能小于 `input_x` 的维度。只支持常量值。
|
||||
返回：
|
||||
Tensor，具有与 `input_x` 相同的数据类型。假设 `multiples` 的长度为 `d` ，`input_x` 的维度为 `input_x.dim` ，`input_x` 的shape为 :math:`(x_1, x_2, ..., x_S)` 。
|
||||
|
||||
**返回：**
|
||||
- 如果 `input_x.dim = d` ， 将其相应位置的shape相乘，输出的shape为 :math:`(x_1*y_1, x_2*y_2, ..., x_S*y_S)` 。
|
||||
- 如果 `input_x.dim < d` ， 在 `input_x` 的shape的前面填充1，直到它们的长度一致。例如将 `input_x` 的shape设置为 :math:`(1, ..., x_1, ..., x_R, x_S)` ，然后可以将其相应位置的shape相乘，输出的shape为 :math:`(1*y_1, ..., x_R*y_R, x_S*y_S)` 。
|
||||
|
||||
Tensor，具有与 `input_x` 相同的数据类型。假设 `multiples` 的长度为 `d` ，`input_x` 的维度为 `input_x.dim` ，`input_x` 的shape为 :math:`(x_1, x_2, ..., x_S)` 。
|
||||
|
||||
- 如果 `input_x.dim = d` ， 将其相应位置的shape相乘，输出的shape为 :math:`(x_1*y_1, x_2*y_2, ..., x_S*y_S)` 。
|
||||
- 如果 `input_x.dim < d` ， 在 `input_x` 的shape的前面填充1，直到它们的长度一致。例如将 `input_x` 的shape设置为 :math:`(1, ..., x_1, ..., x_R, x_S)` ，然后可以将其相应位置的shape相乘，输出的shape为 :math:`(1*y_1, ..., x_R*y_R, x_S*y_S)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `multiples` 不是tuple或者其元素并非全部是int。
|
||||
- **ValueError** - `multiples` 的元素并非全部大于0。
|
||||
- **ValueError** - `multiples` 的长度小于 `input_x` 中的维度。
|
||||
异常：
|
||||
- **TypeError** - `multiples` 不是tuple或者其元素并非全部是int。
|
||||
- **ValueError** - `multiples` 的元素并非全部大于0。
|
||||
- **ValueError** - `multiples` 的长度小于 `input_x` 中的维度。
|
||||
|
|
|
|||
|
|
@ -7,17 +7,14 @@ mindspore.ops.transpose
|
|||
|
||||
此函数对于一维数组转置后不产生变化。对于一维数组转为二维列向量，请参照： :class:`mindspore.ops.ExpandDims` 。对于二维数组可以看做是标准的矩阵转置。对于n维数组，根据指定的轴进行排列。如果没有指定轴并且a.shape为 :math:`(i[0], i[1], ... i[n-2], i[n-1])` ，那么a.transpose().shape为 :math:`(i[n-1], i[n-2], ... i[1], i[0])` 。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor，其shape是 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **input_perm** (tuple[int]) - 指定排列。 `input_perm` 中的元素由 `input_x` 的每个维度的索引组成。 `input_perm` 的长度和 `input_x` 的shape相同。只支持常量值。其范围在[0，rank(input_x))内。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor，其shape是 :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **input_perm** (tuple[int]) - 指定排列。 `input_perm` 中的元素由 `input_x` 的每个维度的索引组成。 `input_perm` 的长度和 `input_x` 的shape相同。只支持常量值。其范围在[0，rank(input_x))内。
|
||||
返回：
|
||||
Tensor，输出Tensor的数据类型与 `input_x` 相同，输出Tensor的shape由 `input_x` 的shape和 `input_perm` 的值决定。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，输出Tensor的数据类型与 `input_x` 相同，输出Tensor的shape由 `input_x` 的shape和 `input_perm` 的值决定。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_perm` 不是tuple。
|
||||
- **ValueError** - `input_x` 的shape长度不等于 `input_perm` 的shape长度。
|
||||
- **ValueError** - `input_perm` 中存在相同的元素。
|
||||
异常：
|
||||
- **TypeError** - `input_perm` 不是tuple。
|
||||
- **ValueError** - `input_x` 的shape长度不等于 `input_perm` 的shape长度。
|
||||
- **ValueError** - `input_perm` 中存在相同的元素。
|
||||
|
|
@ -7,15 +7,12 @@
|
|||
|
||||
如果tuple中第一个数据类型为int，则输出Tensor的数据类型为int。否则，输出Tensor的数据类型为float。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (tuple) - 数值型组成的tuple。其元素具有相同的类型。仅支持常量值。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
|
||||
- **input_x** (tuple) - 数值型组成的tuple。其元素具有相同的类型。仅支持常量值。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
返回：
|
||||
Tensor。如果输入tuple包含 `N` 个数值型元素，则输出Tensor的shape为(N,)。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor。如果输入tuple包含 `N` 个数值型元素，则输出Tensor的shape为(N,)。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `input_x` 不是tuple。
|
||||
- **ValueError** - `input_x` 的长度小于或等于0。
|
||||
异常：
|
||||
- **TypeError** - `input_x` 不是tuple。
|
||||
- **ValueError** - `input_x` 的长度小于或等于0。
|
||||
|
|
@ -8,21 +8,18 @@
|
|||
.. note::
|
||||
广播后，任意位置上Tensor的最小值都必须小于最大值。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **shape** (tuple) - 指定输出shape，任意维度的Tensor。其 :math:`(N,*)` 的长度应小于8。
|
||||
- **minval** (Tensor) - 指定生成随机值的最小值，其数据类型为int32或float32。如果数据类型为int32，则只允许输入一个数字。
|
||||
- **maxval** (Tensor) - 指定生成随机值的最大值，其数据类型为int32或float32。如果数据类型为int32，则只允许输入一个数字。
|
||||
- **seed** (int) - 指定随机种子，用于随机数生成器生成伪随机数。随机数为非负数。默认值：None（将被视为0）。
|
||||
- **dtype** (mindspore.dtype) - 指定输入的数据类型。如果数据类型为int32，则从离散型均匀分布中生成数值型数据；如果数据类型是float32，则从连续型均匀分布中生成数值型数据。仅支持这两种数据类型。默认值：mindspore.float32。
|
||||
|
||||
- **shape** (tuple) - 指定输出shape，任意维度的Tensor。 其 :math:`(N,*)` 的长度应小于8。
|
||||
- **minval** (Tensor) - 指定生成随机值的最小值，其数据类型为int32或float32。如果数据类型为int32，则只允许输入一个数字。
|
||||
- **maxval** (Tensor) - 指定生成随机值的最大值，其数据类型为int32或float32。如果数据类型为int32，则只允许输入一个数字。
|
||||
- **seed** (int) - 指定随机种子，用于随机数生成器生成伪随机数。随机数为非负数。默认值：None（将被视为0）。
|
||||
- **dtype** (mindspore.dtype) - 指定输入的数据类型。如果数据类型为int32，则从离散型均匀分布中生成数值型数据；如果数据类型是float32，则从连续型均匀分布中生成数值型数据。仅支持这两种数据类型。默认值：mindspore.float32。
|
||||
返回：
|
||||
Tensor，shape等于输入 `shape` 与 `minval` 和 `maxval` 广播后的shape。数据类型由输入 `dtype` 决定。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape等于输入 `shape` 与 `minval` 和 `maxval` 广播后的shape。数据类型由输入 `dtype` 决定。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `shape` 不是tuple。
|
||||
- **TypeError** - `minval` 或 `maxval` 的数据类型既不是int32，也不是float32，并且 `minval` 的数据类型与 `maxval` 的不同。
|
||||
- **TypeError** - `seed` 不是int。
|
||||
- **TypeError** - `dtype` 既不是int32，也不是float32。
|
||||
异常：
|
||||
- **TypeError** - `shape` 不是tuple。
|
||||
- **TypeError** - `minval` 或 `maxval` 的数据类型既不是int32，也不是float32，并且 `minval` 的数据类型与 `maxval` 的不同。
|
||||
- **TypeError** - `seed` 不是int。
|
||||
- **TypeError** - `dtype` 既不是int32，也不是float32。
|
||||
|
|
@ -7,26 +7,22 @@
|
|||
|
||||
此函数使用均匀分布从[0, range_max-1]中采样一组类（sampled_candidates）。如果 `unique` 为True，则候选采样没有重复；如果 `unique` 为False，则有重复。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **true_classes** (Tensor) - 输入Tensor，目标类，其shape为(batch_size, num_true)。
|
||||
- **num_true** (int) - 每个训练样本的目标类数。
|
||||
- **num_sampled** (int) - 随机采样的类数。sampled_candidates的shape将为 `num_sampled` 。如果 `unique` 为True，则 `num_sampled` 必须小于或等于 `range_max` 。
|
||||
- **unique** (bool) - 表示一个batch中的所有采样类是否唯一。
|
||||
- **range_max** (int) - 可能的类数，该值必须是非负的。
|
||||
- **seed** (int) - 随机种子，该值必须是非负的。如果seed的值为0，则seed的值将被随机生成的值替换。默认值：0。
|
||||
- **remove_accidental_hits** (bool) - 表示是否移除accidental hit。默认值：False。
|
||||
|
||||
- **true_classes** (Tensor) - 输入Tensor，目标类，其shape为(batch_size, num_true)。
|
||||
- **num_true** (int) - 每个训练样本的目标类数。
|
||||
- **num_sampled** (int) - 随机采样的类数。sampled_candidates的shape将为 `num_sampled` 。如果 `unique` 为True，则 `num_sampled` 必须小于或等于 `range_max` 。
|
||||
- **unique** (bool) - 表示一个batch中的所有采样类是否唯一。
|
||||
- **range_max** (int) - 可能的类数，该值必须是非负的。
|
||||
- **seed** (int) - 随机种子，该值必须是非负的。如果seed的值为0，则seed的值将被随机生成的值替换。默认值：0。
|
||||
- **remove_accidental_hits** (bool) - 表示是否移除accidental hit。默认值：False。
|
||||
返回：
|
||||
- **sampled_candidates** (Tensor) - 候选采样与目标类之间不存在联系，其shape为(num_sampled, )。
|
||||
- **true_expected_count** (Tensor) - 在每组目标类的采样分布下的预期计数。Shape为(batch_size, num_true)。
|
||||
- **sampled_expected_count** (Tensor) - 每个候选采样分布下的预期计数。Shape为(num_sampled, )。
|
||||
|
||||
**返回：**
|
||||
|
||||
- **sampled_candidates** (Tensor) - 候选采样与目标类之间不存在联系，其shape为(num_sampled, )。
|
||||
- **true_expected_count** (Tensor) - 在每组目标类的采样分布下的预期计数。Shape为(batch_size, num_true)。
|
||||
- **sampled_expected_count** (Tensor) - 每个候选采样分布下的预期计数。Shape为(num_sampled, )。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `num_true` 和 `num_sampled` 都不是int。
|
||||
- **TypeError** - `uique` 和 `remo_acidental_hits` 都不是bool。
|
||||
- **TypeError** - `range_max` 和 `seed` 都不是int。
|
||||
- **TypeError** - `true_classes` 不是Tensor。
|
||||
|
||||
异常：
|
||||
- **TypeError** - `num_true` 和 `num_sampled` 都不是int。
|
||||
- **TypeError** - `uique` 和 `remo_acidental_hits` 都不是bool。
|
||||
- **TypeError** - `range_max` 和 `seed` 都不是int。
|
||||
- **TypeError** - `true_classes` 不是Tensor。
|
||||
|
|
|
|||
|
|
@ -11,14 +11,11 @@ mindspore.ops.unique
|
|||
.. warning::
|
||||
此算子为实验性算子，将来可能面临更改或删除。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **x** (Tensor) - 需要被去重的Tensor。shape： :math:`(N,*)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
参数：
|
||||
- **x** (Tensor) - 需要被去重的Tensor。shape： :math:`(N,*)` ，其中 :math:`*` 表示任意数量的附加维度。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tuple， `(y, idx)` 。 `y` 是与 `x` 数据类型相同的Tensor，包含 `x` 中去重后的元素。 `idx` 为索引Tensor，包含 `x` 中的元素在 `y` 中的索引，与 `x` 的shape相同。
|
||||
返回：
|
||||
Tuple， `(y, idx)` 。 `y` 是与 `x` 数据类型相同的Tensor，包含 `x` 中去重后的元素。 `idx` 为索引Tensor，包含 `x` 中的元素在 `y` 中的索引，与 `x` 的shape相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
|
|
|
|||
|
|
@ -5,22 +5,19 @@ mindspore.ops.unique_consecutive
|
|||
|
||||
对输入张量中连续且重复的元素去重。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - 输入Tensor。
|
||||
- **return_idx** (bool, optional) - 是否返回每个去重元素在输入中所在的连续序列的末尾位置的索引。默认值：False。
|
||||
- **return_counts** (bool, optional) - 是否返回每个去重元素在输入所在的连续序列的计数。默认值：False。
|
||||
- **axis** (int, optional) - 维度。如果为None，则对输入进行展平操作。如果指定，必须是int32或int64类型。默认值：None。
|
||||
|
||||
- **x** (Tensor) - 输入Tensor。
|
||||
- **return_idx** (bool, optional) - 是否返回每个去重元素在输入中所在的连续序列的末尾位置的索引。默认值：False。
|
||||
- **return_counts** (bool, optional) - 是否返回每个去重元素在输入所在的连续序列的计数。默认值：False。
|
||||
- **axis** (int, optional) - 维度。如果为None，则对输入进行展平操作。如果指定，必须是int32或int64类型。默认值：None。
|
||||
返回：
|
||||
Tensor或包含Tensor对象的元组（ `output` 、 `idx` 、 `counts` ）。
|
||||
|
||||
**返回：**
|
||||
- `output` 为去重后的输出，与 `x` 具有相同的数据类型。
|
||||
- 如果 `return_idx` 为 True，则返回张量 `idx` ，shape与 `x` 相同，表示每个去重元素在输入中所在的连续序列的末尾位置的索引。
|
||||
- 如果 `return_counts` 为 True，则返回张量 `counts` ，表示每个去重元素在输入中所在的连续序列的计数。
|
||||
|
||||
Tensor或包含Tensor对象的元组（ `output` 、 `idx` 、 `counts` ）。
|
||||
|
||||
- `output` 为去重后的输出，与 `x` 具有相同的数据类型。
|
||||
- 如果 `return_idx` 为 True，则返回张量 `idx` ，shape与 `x` 相同，表示每个去重元素在输入中所在的连续序列的末尾位置的索引。
|
||||
- 如果 `return_counts` 为 True，则返回张量 `counts` ，表示每个去重元素在输入中所在的连续序列的计数。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **RuntimeError** – `axis` 不在 `[-ndim, ndim-1]` 范围内。
|
||||
异常：
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **RuntimeError** - `axis` 不在 `[-ndim, ndim-1]` 范围内。
|
||||
|
|
|
|||
|
|
@ -9,16 +9,13 @@ mindspore.ops.unique_with_pad
|
|||
unique运算符对张量处理后所返回的元组（ `y` ， `idx` ）， `y` 与 `idx` 的shape通常会有差别，因此，为了解决上述情况，
|
||||
unique_with_pad操作符将用用户指定的 `pad_num` 填充 `y` 张量，使其具有与张量 `idx` 相同的形状。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - 需要被去重的Tensor。必须是类型为int32或int64的一维向量。
|
||||
- **pad_num** (int) - 填充值。数据类型为int32或int64。
|
||||
|
||||
- **x** (Tensor) - 需要被去重的Tensor。必须是类型为int32或int64的一维向量。
|
||||
- **pad_num** (int) - 填充值。数据类型为int32或int64。
|
||||
返回：
|
||||
Tuple， `(y, idx)` 。 `y` 是与 `x` 形状和数据类型相同的Tensor，包含 `x` 中去重后的元素，并用 `pad_num` 填充。 `idx` 为索引Tensor，包含 `x` 中的元素在 `y` 中的索引，与 `x` 的shape相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tuple， `(y, idx)` 。 `y` 是与 `x` 形状和数据类型相同的Tensor，包含 `x` 中去重后的元素，并用 `pad_num` 填充。 `idx` 为索引Tensor，包含 `x` 中的元素在 `y` 中的索引，与 `x` 的shape相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `x` 的数据类型既不是int32也不是int64。
|
||||
- **ValueError** - `x` 不是一维张量。
|
||||
异常：
|
||||
- **TypeError** - `x` 的数据类型既不是int32也不是int64。
|
||||
- **ValueError** - `x` 不是一维张量。
|
||||
|
|
|
|||
|
|
@ -18,17 +18,14 @@ mindspore.ops.unsorted_segment_max
|
|||
- 如果 `segment_ids` 中不存在segment_id `i` ，则将使用 `x` 的数据类型的最小值填充输出 `output[i]` 。
|
||||
- `segment_ids` 必须是一个非负Tensor。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - shape： :math:`(x_1, x_2, ..., x_R)` 。数据类型支持float16、float32或int32。
|
||||
- **segment_ids** (Tensor) - shape为 :math:`(x_1)` 的1维张量，值必须是非负数。数据类型支持int32。
|
||||
- **num_segments** (int) - 分段的数量。
|
||||
|
||||
- **x** (Tensor) - shape： :math:`(x_1, x_2, ..., x_R)` 。数据类型支持float16、float32或int32。
|
||||
- **segment_ids** (Tensor) - shape为 :math:`(x_1)` 的1维张量，值必须是非负数。数据类型支持int32。
|
||||
- **num_segments** (int) - 分段的数量。
|
||||
返回：
|
||||
Tensor，若 `num_segments` 值为 `N` ，则shape为 :math:`(N, x_2, ..., x_R)` 。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，若 `num_segments` 值为 `N` ，则shape为 :math:`(N, x_2, ..., x_R)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
异常：
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
|
|
|
|||
|
|
@ -18,17 +18,14 @@ mindspore.ops.unsorted_segment_min
|
|||
- 如果 `segment_ids` 中不存在segment_id `i` ，则将使用 `x` 的数据类型的最大值填充输出 `output[i]` 。
|
||||
- `segment_ids` 必须是一个非负Tensor。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - shape： :math:`(x_1, x_2, ..., x_R)` 。数据类型支持float16、float32或int32。
|
||||
- **segment_ids** (Tensor) - shape为 :math:`(x_1)` 的1维张量，值必须是非负数。数据类型支持int32。
|
||||
- **num_segments** (int) - 分段的数量。
|
||||
|
||||
- **x** (Tensor) - shape： :math:`(x_1, x_2, ..., x_R)` 。数据类型支持float16、float32或int32。
|
||||
- **segment_ids** (Tensor) - shape为 :math:`(x_1)` 的1维张量，值必须是非负数。数据类型支持int32。
|
||||
- **num_segments** (int) - 分段的数量。
|
||||
返回：
|
||||
Tensor，若 `num_segments` 值为 `N` ，则shape为 :math:`(N, x_2, ..., x_R)` 。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，若 `num_segments` 值为 `N` ，则shape为 :math:`(N, x_2, ..., x_R)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
异常：
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
|
|
|
|||
|
|
@ -13,17 +13,14 @@ mindspore.ops.unsorted_segment_prod
|
|||
- 如果 `segment_ids` 中不存在segment_id `i` ，则将使用1填充输出 `output[i]` 。
|
||||
- `segment_ids` 必须是一个非负Tensor。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Tensor) - shape： :math:`(x_1, x_2, ..., x_R)` 。数据类型支持float16、float32或int32。
|
||||
- **segment_ids** (Tensor) - shape为 :math:`(x_1)` 的1维张量，值必须是非负数。数据类型支持int32。
|
||||
- **num_segments** (int) - 分段的数量。必须大于0。
|
||||
|
||||
- **x** (Tensor) - shape： :math:`(x_1, x_2, ..., x_R)` 。数据类型支持float16、float32或int32。
|
||||
- **segment_ids** (Tensor) - shape为 :math:`(x_1)` 的1维张量，值必须是非负数。数据类型支持int32。
|
||||
- **num_segments** (int) - 分段的数量。必须大于0。
|
||||
返回：
|
||||
Tensor，若 `num_segments` 值为 `N` ，则shape为 :math:`(N, x_2, ..., x_R)` 。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，若 `num_segments` 值为 `N` ，则shape为 :math:`(N, x_2, ..., x_R)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
异常：
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
|
|
|
|||
|
|
@ -17,18 +17,15 @@
|
|||
|
||||
如果给定的segment_ids :math: `i` 的和为空，则：math: `\text{output}[i] = 0` 。如果 `segment_ids` 元素为负数，将忽略该值。 `num_segments` 必须等于不同segment_id的数量。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **input_x** (Tensor)- shape： :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **segment_ids** (Tensor) - 将形状设置为 :math:`(x_1, x_2, ..., x_N)` ，其中0<N<=R。
|
||||
- **num_segments** (Union[int, Tensor], optional) - 分段数量 :math:`z` ，数据类型为int或0维的Tensor。
|
||||
参数：
|
||||
- **input_x** (Tensor) - shape： :math:`(x_1, x_2, ..., x_R)` 。
|
||||
- **segment_ids** (Tensor) - 将形状设置为 :math:`(x_1, x_2, ..., x_N)` ，其中0<N<=R。
|
||||
- **num_segments** (Union[int, Tensor], optional) - 分段数量 :math:`z` ，数据类型为int或0维的Tensor。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape： :math:`(z, x_{N+1}, ..., x_R)` 。
|
||||
返回：
|
||||
Tensor，shape： :math:`(z, x_{N+1}, ..., x_R)` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
异常：
|
||||
- **TypeError** - `num_segments` 不是int类型。
|
||||
- **ValueError** - `segment_ids` 的维度不等于1。
|
||||
|
||||
|
|
|
|||
|
|
@ -11,15 +11,12 @@
|
|||
|
||||
与Stack函数操作相反。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **input_x** (Tensor) - 输入Tensor，其shape为 :math:`(x_1, x_2, ..., x_R)` 。rank必须大于0。
|
||||
- **axis** (int) - 指定矩阵分解的轴。取值范围为[-R,R)，默认值：0。
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor，其shape为 :math:`(x_1, x_2, ..., x_R)` 。rank必须大于0。
|
||||
- **axis** (int) - 指定矩阵分解的轴。取值范围为[-R,R)，默认值：0。
|
||||
返回：
|
||||
Tensor对象组成的tuple。每个Tensor对象的shape相同。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor对象组成的tuple。每个Tensor对象的shape相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **ValueError** - axis超出[-len(input_x.shape), len(input_x.shape))范围。
|
||||
异常：
|
||||
- **ValueError** - axis超出[-len(input_x.shape), len(input_x.shape))范围。
|
||||
|
|
|
|||
|
|
@ -16,28 +16,25 @@ mindspore.ops.vmap
|
|||
- vmap的能力来自于原语的VmapRules实现。虽然我们为用户自定义算子设计了一个通用规则，但是我们无法保证它对所有算子都能很好地工作，用户需知晓使用风险。如果想要获得更好的性能，请提前花一些时间参阅教程为自定义算子实现特定的VmapRule。
|
||||
- 当在vmap作用域内调用随机数生成方法时，每次在向量函数之间生成相同的随机数。如果希望每个向量分支使用不同的随机数，需要提前从外部生成一批随机数，然后将其传入vmap。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **fn** (Union[Cell, Function]) - 待沿参数轴映射的函数，该函数至少拥有一个输入参数并且返回值为一个或多个Tensor或Tensor支持的数据类型。
|
||||
- **in_axes** (Union[int, list, tuple]) - 指定输入参数映射的轴索引。如果 `in_axes` 是一个整数，则 `fn` 的所有输入参数都将根据此轴索引进行映射。
|
||||
如果 `in_axes` 是一个tuple或list，仅支持由整数或None组成，则其长度应与 `fn` 的输入参数的个数一致，分别表示相应位置参数的映射轴索引。
|
||||
请注意，每个参数对应的整数轴索引的取值范围必须在 :math:`[-ndim, ndim)` 中，其中 `ndim` 是参数的维度。None表示不沿任何轴映射。并且 `in_axes` 中必须至少有一个位置参数的映射轴索引不为None。 所有参数的映射轴索引对应的size（ `axis_size` ）必须相等。默认值：0。
|
||||
- **out_axes** (Union[int, list, tuple]) - 指定映射轴呈现在输出中的索引位置。如果 `out_axes` 是一个整数，则 `fn` 的所有输出都根据此axis指定。
|
||||
如果 `out_axes` 是一个tuple或list，仅支持由整数或None组成，其长度应与 `fn` 的输出个数相等。
|
||||
请注意，每个输出对应的整数轴索引的取值范围必须在 :math:`[-ndim, ndim)` 中，其中 `ndim` 是 `vmap` 映射后的函数的输出的维度。
|
||||
所有具有非None映射轴的输出只能指定非None的 `out_axes` ，如果具有None映射轴的输出指定非None的 `out_axes` ，结果将沿映射轴进行广播。默认值：0。
|
||||
|
||||
- **fn** (Union[Cell, Function]) - 待沿参数轴映射的函数，该函数至少拥有一个输入参数并且返回值为一个或多个Tensor或Tensor支持的数据类型。
|
||||
- **in_axes** (Union[int, list, tuple]) - 指定输入参数映射的轴索引。如果 `in_axes` 是一个整数，则 `fn` 的所有输入参数都将根据此轴索引进行映射。
|
||||
如果 `in_axes` 是一个tuple或list，仅支持由整数或None组成，则其长度应与 `fn` 的输入参数的个数一致，分别表示相应位置参数的映射轴索引。
|
||||
请注意，每个参数对应的整数轴索引的取值范围必须在 :math:`[-ndim, ndim)` 中，其中 `ndim` 是参数的维度。None表示不沿任何轴映射。并且 `in_axes` 中必须至少有一个位置参数的映射轴索引不为None。 所有参数的映射轴索引对应的size（ `axis_size` ）必须相等。默认值：0。
|
||||
- **out_axes** (Union[int, list, tuple]) - 指定映射轴呈现在输出中的索引位置。 如果 `out_axes` 是一个整数，则 `fn` 的所有输出都根据此axis指定。
|
||||
如果 `out_axes` 是一个tuple或list，仅支持由整数或None组成，其长度应与 `fn` 的输出个数相等。
|
||||
请注意，每个输出对应的整数轴索引的取值范围必须在 :math:`[-ndim, ndim)` 中，其中 `ndim` 是 `vmap` 映射后的函数的输出的维度。
|
||||
所有具有非None映射轴的输出只能指定非None的 `out_axes` ，如果具有None映射轴的输出指定非None的 `out_axes` ，结果将沿映射轴进行广播。默认值：0。
|
||||
返回：
|
||||
Function，返回 `fn` 的自动向量化后的函数。此函数的输入参数和输出与 `fn` 的相对应，但它在 `in_axes` 和 `out_axes` 指定的位置新增了额外的批处理维度。
|
||||
|
||||
**返回：**
|
||||
异常：
|
||||
- **RuntimeError** -
|
||||
|
||||
Function，返回 `fn` 的自动向量化后的函数。此函数的输入参数和输出与 `fn` 的相对应，但它在 `in_axes` 和 `out_axes` 指定的位置新增了额外的批处理维度。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **RuntimeError** -
|
||||
|
||||
- 如果 `in_axes` 或 `out_axes` 中的基本元素不是None或整数。
|
||||
- 如果 `in_axes` 或 `out_axes` 中的所有基本元素均为None。
|
||||
- 如果 `in_axes` 不是单个整数，并且 `in_axes` 的长度不等于输入参数的个数。
|
||||
- 如果 `out_axes` 不是单个整数，并且 `out_axes` 的长度不等于输出个数。
|
||||
- 如果 `vmap` 范围内每个参数的 `axis_size` 不相等。
|
||||
- 如果 `in_axes` 或 `out_axes` 中的 `axis` 超出边界限制。
|
||||
- 如果 `in_axes` 或 `out_axes` 中的基本元素不是None或整数。
|
||||
- 如果 `in_axes` 或 `out_axes` 中的所有基本元素均为None。
|
||||
- 如果 `in_axes` 不是单个整数，并且 `in_axes` 的长度不等于输入参数的个数。
|
||||
- 如果 `out_axes` 不是单个整数，并且 `out_axes` 的长度不等于输出个数。
|
||||
- 如果 `vmap` 范围内每个参数的 `axis_size` 不相等。
|
||||
- 如果 `in_axes` 或 `out_axes` 中的 `axis` 超出边界限制。
|
||||
|
|
|
|||
|
|
@ -10,17 +10,14 @@ mindspore.ops.xlogy
|
|||
|
||||
`x` 和 `y` 的输入遵循隐式类型转换规则，使数据类型一致。输入必须是两个Tensor或一个Tensor和一个Scalar。当输入是两个Tensor时，它们的数据类型不能同时是bool的，它们的shape可以广播。当输入是一个Tensor和一个Scalar时，Scalar只能是一个常量。
|
||||
|
||||
**参数：**
|
||||
参数：
|
||||
- **x** (Union[Tensor, number.Number, bool]) - 第一个输入为数值型。数据类型为 `number <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 。
|
||||
- **y** (Union[Tensor, number.Number, bool]) - 第二个输入为数值型。当第一个输入是Tensor或数据类型为数值型或bool的Tensor时，则第二个输入是数值型或bool。当第一个输入是Scalar时，则第二个输入必须是数据类型为数值型或bool的Tensor。
|
||||
|
||||
- **x** (Union[Tensor, number.Number, bool]) - 第一个输入为数值型。数据类型为 `number <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/zh-CN/master/api_python/mindspore/mindspore.dtype.html#mindspore.dtype>`_ 。
|
||||
- **y** (Union[Tensor, number.Number, bool]) - 第二个输入为数值型。当第一个输入是Tensor或数据类型为数值型或bool的Tensor时，则第二个输入是数值型或bool。当第一个输入是Scalar时，则第二个输入必须是数据类型为数值型或bool的Tensor。
|
||||
返回：
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中精度较高或数数值较高的类型。
|
||||
|
||||
**返回：**
|
||||
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中精度较高或数数值较高的类型。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `x` 和 `y` 不是数值型、bool或Tensor。
|
||||
- **TypeError** - 如果 `x` 和 `y` 的数据类型不是float16、float32或float64。
|
||||
- **ValueError** - 如果 `x` 不能广播到与 `y` 的shape一致。
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 和 `y` 不是数值型、bool或Tensor。
|
||||
- **TypeError** - 如果 `x` 和 `y` 的数据类型不是float16、float32或float64。
|
||||
- **ValueError** - 如果 `x` 不能广播到与 `y` 的shape一致。
|
||||
|
|
|
|||
Loading…
Reference in New Issue