fix issue I60Q6L I5YQCT I5YQ9F I5YE52
This commit is contained in:
parent
5fc1efc4aa
commit
5e91012009
|
@ -154,6 +154,7 @@ mindspore.ops.function
|
|||
mindspore.ops.addcdiv
|
||||
mindspore.ops.addcmul
|
||||
mindspore.ops.addn
|
||||
mindspore.ops.addr
|
||||
mindspore.ops.arccosh
|
||||
mindspore.ops.arcsin
|
||||
mindspore.ops.arctan
|
||||
|
|
|
@ -3,26 +3,4 @@ mindspore.Tensor.addr
|
|||
|
||||
.. py:method:: mindspore.Tensor.addr(vec1, vec2, beta=1, alpha=1)
|
||||
|
||||
计算 `vec1` 和 `vec2` 的外积,并将其添加到输入张量中。
|
||||
|
||||
如果 `vec1` 是一个大小为 :math:`N` 的向量, `vec2` 是一个大小为 :math:`M` 的向量,那么 `x` 必须是可广播的,且
|
||||
带有一个大小为 :math:`(N, M)` 的矩阵,同时 `out` 是一个大小为 :math:`(N, M)` 的矩阵。
|
||||
|
||||
可选值 `bata` 和 `alpha` 分别是 `vec1` 和 `vec2` 外积的扩展因子以及附加矩阵 `x` 。如果 `beta` 为0,那么 `x` 将被忽略。
|
||||
|
||||
.. math::
|
||||
output = β x + α (vec1 ⊗ vec2)
|
||||
|
||||
参数:
|
||||
- **vec1** (Tensor) - 第一个需要相乘的Tensor,shape大小为 :math:`(N,)` 。
|
||||
- **vec2** (Tensor) - 第二个需要相乘的Tensor,shape大小为 :math:`(M,)` 。
|
||||
- **beta** (scalar[int, float, bool], 可选) - `x` (β)的乘法器。 `beta` 必须是int或float或bool类型,默认值:1。
|
||||
- **alpha** (scalar[int, float, bool], 可选) - `mat` @ `vec` (α)的乘法器。 `alpha` 必须是int或float或bool类型,默认值:1。
|
||||
|
||||
返回:
|
||||
Tensor,shape大小为 :math:`(N, M)` ,数据类型与 `x` 相同。
|
||||
|
||||
异常:
|
||||
- **TypeError** - `x` 、 `vec1` 、 `vec2` 不是Tensor。
|
||||
- **TypeError** - `x` 、 `vec1` 、 `vec2` 的数据类型不一致。
|
||||
- **ValueError** - 如果 `x` 不是一个二维Tensor。如果 `vec1` , `vec2` 不是一个一维Tensor。
|
||||
详情请参考 :func:`mindspore.ops.addr`。
|
||||
|
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.fold
|
||||
========================
|
||||
|
||||
.. py:method:: mindspore.Tensor.fold(output_size, kernel_size, dilation=1, padding=0, stride=1)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.fold`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.greater
|
||||
========================
|
||||
|
||||
.. py:method:: mindspore.Tensor.greater(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.greater`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.greater_equal
|
||||
==============================
|
||||
|
||||
.. py:method:: mindspore.Tensor.greater_equal(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.greater_equal`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.igamma
|
||||
=======================
|
||||
|
||||
.. py:method:: mindspore.Tensor.igamma(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.igamma`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.igammac
|
||||
========================
|
||||
|
||||
.. py:method:: mindspore.Tensor.igammac(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.igammac`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.index_add
|
||||
==========================
|
||||
|
||||
.. py:method:: mindspore.Tensor.index_addindex_add(dim, index, source, *, alpha=1)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.index_add`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.isinf
|
||||
======================
|
||||
|
||||
.. py:method:: mindspore.Tensor.isinf()
|
||||
|
||||
详情请参考 :func:`mindspore.ops.isinf`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.isnan
|
||||
======================
|
||||
|
||||
.. py:method:: mindspore.Tensor.isnan()
|
||||
|
||||
详情请参考 :func:`mindspore.ops.isnan`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.le
|
||||
===================
|
||||
|
||||
.. py:method:: mindspore.Tensor.le(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.le`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.less
|
||||
=====================
|
||||
|
||||
.. py:method:: mindspore.Tensor.less(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.less`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.logical_and
|
||||
============================
|
||||
|
||||
.. py:method:: mindspore.Tensor.logical_and(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.logical_and`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.logical_not
|
||||
============================
|
||||
|
||||
.. py:method:: mindspore.Tensor.logical_not()
|
||||
|
||||
详情请参考 :func:`mindspore.ops.logical_not`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.logical_or
|
||||
===========================
|
||||
|
||||
.. py:method:: mindspore.Tensor.logical_or(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.logical_or`。
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.logical_xor
|
||||
============================
|
||||
|
||||
.. py:method:: mindspore.Tensor.logical_xor(other)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.logical_xor`。
|
|
@ -3,11 +3,11 @@ mindspore.Tensor.searchsorted
|
|||
|
||||
.. py:method:: mindspore.Tensor.searchsorted(v, side='left', sorter=None)
|
||||
|
||||
查找应插入元素以保存顺序的位置索引。
|
||||
查找应插入元素在有序数列中的位置索引。
|
||||
|
||||
参数:
|
||||
- **v** (Union[int, float, bool, list, tuple, Tensor]) - 要插入元素的值。
|
||||
- **side** ('left', 'right', 可选) - 如果参数值为'left',则给出找到的第一个合适位置的索引。如果参数值为'right',则返回最后一个这样的索引。如果没有合适的索引,则返回0或N(其中N是Tensor的长度)。默认值:'left'。
|
||||
- **side** (str, 可选) - 如果参数值为'left',则给出找到的第一个合适位置的索引。如果参数值为'right',则返回最后一个这样的索引。如果没有合适的索引,则返回0或N(其中N是Tensor的长度)。默认值:'left'。
|
||||
- **sorter** (Union[int, float, bool, list, tuple, Tensor]) - 整数索引的可选一维数组,将Tensor按升序排序。它们通常是NumPy argsort方法的结果。默认值:None。
|
||||
|
||||
返回:
|
||||
|
|
|
@ -13,8 +13,6 @@ mindspore.Tensor.sigmoid
|
|||
|
||||
其中 :math:`x_i` 是原Tensor的元素。
|
||||
|
||||
关于Sigmoid的图例见 `Sigmoid <https://en.wikipedia.org/wiki/Sigmoid_function#/media/File:Logistic-curve.svg>`_ 。
|
||||
|
||||
返回:
|
||||
Tensor,数据类型和shape与原Tensor的相同。
|
||||
|
||||
|
|
|
@ -0,0 +1,6 @@
|
|||
mindspore.Tensor.unfold
|
||||
=======================
|
||||
|
||||
.. py:method:: mindspore.Tensor.unfold(kernel_size, dilation=1, padding=0, stride=1)
|
||||
|
||||
详情请参考 :func:`mindspore.ops.unfold`。
|
|
@ -5,19 +5,4 @@
|
|||
|
||||
确定输入Tensor每个位置上的元素是否为无穷大或无穷小。
|
||||
|
||||
.. math::
|
||||
out_i = \begin{cases}
|
||||
& \text{ if } x_{i} = \text{Inf},\ \ True \\
|
||||
& \text{ if } x_{i} \ne \text{Inf},\ \ False
|
||||
\end{cases}
|
||||
|
||||
其中 :math:`Inf` 表示不是一个数字。
|
||||
|
||||
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。
|
||||
|
||||
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。
|
||||
更多参考详见 :func:`mindspore.ops.isinf`。
|
||||
|
|
|
@ -0,0 +1,28 @@
|
|||
mindspore.ops.addr
|
||||
==================
|
||||
|
||||
.. py:function:: mindspore.ops.addr(x, vec1, vec2, beta=1, alpha=1)
|
||||
|
||||
计算 `vec1` 和 `vec2` 的外积,并将其添加到 `x` 中。
|
||||
|
||||
如果 `vec1` 是一个大小为 :math:`N` 的向量, `vec2` 是一个大小为 :math:`M` 的向量,那么 `x` 必须是可广播的,且
|
||||
带有一个大小为 :math:`(N, M)` 的矩阵,同时返回是一个大小为 :math:`(N, M)` 的矩阵。
|
||||
|
||||
可选值 `bata` 和 `alpha` 分别是 `vec1` 和 `vec2` 外积的扩展因子以及附加矩阵 `x` 。如果 `beta` 为0,那么 `x` 将被忽略。
|
||||
|
||||
.. math::
|
||||
output = β x + α (vec1 ⊗ vec2)
|
||||
|
||||
参数:
|
||||
- **vec1** (Tensor) - 第一个需要相乘的Tensor,shape大小为 :math:`(N,)` 。
|
||||
- **vec2** (Tensor) - 第二个需要相乘的Tensor,shape大小为 :math:`(M,)` 。
|
||||
- **beta** (scalar[int, float, bool], 可选) - `x` (β)的乘法器。 `beta` 必须是int或float或bool类型,默认值:1。
|
||||
- **alpha** (scalar[int, float, bool], 可选) - `vec1` ⊗ `vec2` (α)的乘法器。 `alpha` 必须是int或float或bool类型,默认值:1。
|
||||
|
||||
返回:
|
||||
Tensor,shape大小为 :math:`(N, M)` ,数据类型与 `x` 相同。
|
||||
|
||||
异常:
|
||||
- **TypeError** - `x` 、 `vec1` 、 `vec2` 不是Tensor。
|
||||
- **TypeError** - `x` 、 `vec1` 、 `vec2` 的数据类型不一致。
|
||||
- **ValueError** - 如果 `x` 不是一个二维Tensor。如果 `vec1` , `vec2` 不是一个一维Tensor。
|
|
@ -1,7 +1,7 @@
|
|||
mindspore.ops.bartlett_window
|
||||
=============================
|
||||
|
||||
.. py:function:: mindspore.ops.bartlett_window(window_length, periodic=True, *, dtype=mstype.float32)
|
||||
.. py:function:: mindspore.ops.bartlett_window(window_length, periodic=True, *, dtype=None)
|
||||
|
||||
巴特利特窗口函数。
|
||||
|
||||
|
@ -14,19 +14,17 @@ mindspore.ops.bartlett_window
|
|||
2 - \frac{2n}{N - 1} & \text{if } \frac{N - 1}{2} < n < N \\
|
||||
\end{cases},
|
||||
|
||||
\text{where : N is the full window size.}
|
||||
|
||||
其中,N是总的窗口长度 `window_length` ,n为小于N的自然数 [0, 1, ..., N-1]。
|
||||
其中,N是总的窗口长度 `window_length` 。
|
||||
|
||||
参数:
|
||||
- **window_length** (Tensor) - 返回窗口的大小,数据类型为int32,int64。输入数据的值为[0,1000000]的整数。
|
||||
- **window_length** (Tensor) - 返回窗口的大小,数据类型为int32,int64。输入数据的值为[0, 1000000]的整数。
|
||||
- **periodic** (bool,可选) - 如果为True,返回一个窗口作为周期函数使用。如果为False,返回一个对称窗口。默认值:True。
|
||||
|
||||
关键字参数:
|
||||
- **dtype** (mindspore.dtype,可选) - 输出数据类型,目前只支持float16、float32和float64。默认值:mindspore.float32。
|
||||
- **dtype** (mindspore.dtype,可选) - 输出数据类型,目前只支持float16、float32和float64。默认值:None。
|
||||
|
||||
返回:
|
||||
1D Tensor,大小为 `window_length` ,数据类型与 `dtype` 一致。
|
||||
1D Tensor,大小为 `window_length` ,数据类型与 `dtype` 一致。如果 `dtype` 为None,则数据类型为float32。
|
||||
|
||||
异常:
|
||||
- **TypeError** - `window_length` 不是Tensor。
|
||||
|
|
|
@ -13,14 +13,14 @@ mindspore.ops.blackman_window
|
|||
其中,N是总的窗口长度 `window_length` ,n为小于N的自然数 [0, 1, ..., N-1]。
|
||||
|
||||
参数:
|
||||
- **window_length** (Tensor) - 返回窗口的大小,数据类型为int32,int64。输入数据的值为[0,1000000]的整数。
|
||||
- **window_length** (Tensor) - 返回窗口的大小,数据类型为int32,int64。输入数据的值为[0, 1000000]的整数。
|
||||
- **periodic** (bool,可选) - 如果为True,返回一个窗口作为周期函数使用。如果为False,返回一个对称窗口。默认值:True。
|
||||
|
||||
关键字参数:
|
||||
- **dtype** (mindspore.dtype,可选) - 输出数据类型,目前只支持float16、float32和float64。默认值:None。
|
||||
|
||||
返回:
|
||||
1D Tensor,大小为 `window_length` ,数据类型与 `dtype` 一致。
|
||||
1D Tensor,大小为 `window_length` ,数据类型与 `dtype` 一致。如果 `dtype` 为None,则数据类型为float32。
|
||||
|
||||
异常:
|
||||
- **TypeError** - `window_length` 不是Tensor。
|
||||
|
|
|
@ -8,18 +8,19 @@ mindspore.ops.elu
|
|||
对输入的每个元素计算ELU。该激活函数定义如下:
|
||||
|
||||
.. math::
|
||||
|
||||
\text{ELU}(x)= \left\{
|
||||
\begin{array}{align}
|
||||
\alpha(e^{x} - 1) & \text{if } x \le 0\\
|
||||
x & \text{if } x \gt 0\\
|
||||
\end{array}\right.
|
||||
|
||||
其中,:math:`x` 表示输入的元素,:math:`\alpha` 表示 `alpha` 参数, `alpha` 决定ELU的平滑度。
|
||||
其中,:math:`x` 表示输入Tensor `input_x` ,:math:`\alpha` 表示 `alpha` 参数, `alpha` 决定ELU的平滑度。
|
||||
ELU相关图参见 `ELU <https://en.wikipedia.org/wiki/Activation_function#/media/File:Activation_elu.svg>`_ 。
|
||||
|
||||
参数:
|
||||
- **input_x** (Tensor) - ELU的输入,为任意维度的Tensor,数据类型为float16或float32。
|
||||
- **alpha** (float) - ELU的alpha值,数据类型为浮点数,目前仅支持1.0。默认值:1.0。
|
||||
- **alpha** (float) - ELU的alpha值,数据类型为float,目前仅支持1.0。默认值:1.0。
|
||||
|
||||
返回:
|
||||
Tensor,输出的shape、数据类型与 `input_x` 相同。
|
||||
|
|
|
@ -0,0 +1,13 @@
|
|||
mindspore.ops.greater
|
||||
=====================
|
||||
|
||||
.. py:function:: mindspore.ops.greater(input, other)
|
||||
|
||||
按元素比较输入参数 :math:`input > other` 的值,输出结果为bool值。
|
||||
|
||||
参数:
|
||||
- **input** (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。
|
||||
- **other** (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bool。
|
|
@ -0,0 +1,13 @@
|
|||
mindspore.ops.greater_equal
|
||||
===========================
|
||||
|
||||
.. py:function:: mindspore.ops.greater_equal(input, other)
|
||||
|
||||
按元素比较输入参数 :math:`input >= other` 的值,输出结果为bool值。
|
||||
|
||||
参数:
|
||||
- **input** (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。
|
||||
- **other** (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bool。
|
|
@ -0,0 +1,35 @@
|
|||
mindspore.ops.igamma
|
||||
====================
|
||||
|
||||
.. py:function:: mindspore.ops.igamma(input, other)
|
||||
|
||||
计算正规化的下层不完全伽马函数。
|
||||
如果我们将 `input` 比作 `a` , `other` 比作 `x` ,则正规化的下层不完全伽马函数可以表示成:
|
||||
|
||||
.. math::
|
||||
P(a, x) = gamma(a, x) / Gamma(a) = 1 - Q(a, x)
|
||||
|
||||
其中,
|
||||
|
||||
.. math::
|
||||
gamma(a, x) = \int_0^x t^{a-1} \exp^{-t} dt
|
||||
|
||||
为下层不完全伽马函数。
|
||||
|
||||
:math:`Q(a, x)` 则为正规化的上层完全伽马函数。
|
||||
|
||||
.. warning::
|
||||
这是一个实验原型,可以更改和/或删除。
|
||||
|
||||
参数:
|
||||
- **input** (Tensor) - 输入Tensor,数据类型为float32或者float64。
|
||||
- **other** (Tensor) - 输入Tensor,数据类型为float32或者float64,与 `input` 保持一致。
|
||||
|
||||
返回:
|
||||
Tensor,数据类型与 `input` 和 `other` 相同。
|
||||
|
||||
异常:
|
||||
- **TypeError** - 如果 `input` 或者 `other` 不是Tensor。
|
||||
- **TypeError** - 如果 `other` 的数据类型不是float32或者float64。
|
||||
- **TypeError** - 如果 `other` 的数据类型与 `input` 不相同。
|
||||
- **ValueError** - 如果 `input` 不能广播成shape与 `other` 相同的Tensor。
|
|
@ -0,0 +1,35 @@
|
|||
mindspore.ops.igammac
|
||||
=====================
|
||||
|
||||
.. py:function:: mindspore.ops.igammac(input, other)
|
||||
|
||||
计算正规化的上层不完全伽马函数。
|
||||
如果我们将 `input` 比作 `a` , `other` 比作 `x` ,则正规化的下层不完全伽马函数可以表示成:
|
||||
|
||||
.. math::
|
||||
\(Q(a, x) = Gamma(a, x) / Gamma(a) = 1 - P(a, x)\)
|
||||
|
||||
其中,
|
||||
|
||||
.. math::
|
||||
\(Gamma(a, x) = int_{x}^{\infty} t^{a-1} exp(-t) dt\)
|
||||
|
||||
为上层不完全伽马函数。
|
||||
|
||||
:math:`P(a, x)` 则为正规化的下层完全伽马函数。
|
||||
|
||||
.. warning::
|
||||
这是一个实验原型,可以更改和/或删除。
|
||||
|
||||
参数:
|
||||
- **input** (Tensor) - 输入Tensor,数据类型为float32或者float64。
|
||||
- **other** (Tensor) - 输入Tensor,数据类型为float32或者float64,与 `input` 保持一致。
|
||||
|
||||
返回:
|
||||
Tensor,数据类型与 `input` 和 `other` 相同。
|
||||
|
||||
异常:
|
||||
- **TypeError** - 如果 `input` 或者 `other` 不是Tensor。
|
||||
- **TypeError** - 如果 `other` 的数据类型不是float32或者float64。
|
||||
- **TypeError** - 如果 `other` 的数据类型与 `input` 不相同。
|
||||
- **ValueError** - 如果 `input` 不能广播成shape与 `other` 相同的Tensor。
|
|
@ -0,0 +1,23 @@
|
|||
mindspore.ops.isinf
|
||||
===================
|
||||
|
||||
.. py:function:: mindspore.ops.isinf(input)
|
||||
|
||||
确定输入Tensor每个位置上的元素是否为无穷大或无穷小。
|
||||
|
||||
.. math::
|
||||
out_i = \begin{cases}
|
||||
& \text{ if } x_{i} = \text{Inf},\ \ True \\
|
||||
& \text{ if } x_{i} \ne \text{Inf},\ \ False
|
||||
\end{cases}
|
||||
|
||||
其中 :math:`Inf` 表示不是一个数字。
|
||||
|
||||
参数:
|
||||
- **input** (Tensor) - IsInf的输入,shape: :math:`(N, *)` ,其中 :math:`*` 表示任意数量的附加维度。
|
||||
|
||||
返回:
|
||||
Tensor,shape与相同的输入,数据的类型为bool。
|
||||
|
||||
异常:
|
||||
- **TypeError** - 如果 `input` 不是Tensor。
|
|
@ -0,0 +1,20 @@
|
|||
mindspore.ops.logical_xor
|
||||
=========================
|
||||
|
||||
.. py:function:: mindspore.ops.logical_xor(input, other)
|
||||
|
||||
逐元素计算两个Tensor的逻辑异或运算。
|
||||
|
||||
.. math::
|
||||
out_{i} = x_{i} \oplus y_{i}
|
||||
|
||||
参数:
|
||||
- **input** (Tensor) - 第一个输入是数据类型为bool的Tensor。
|
||||
- **other** (Tensor) - 第二个输入是Tesor,与第一个输入进行异或计算,其中数据类型为bool。
|
||||
|
||||
返回:
|
||||
Tensor,其shape与广播后的shape相同,数据类型为bool。
|
||||
|
||||
异常:
|
||||
- **TypeError** - 如果 `input` 或 `other` 不是数据类型为bool的Tensor。
|
||||
- **ValueError** - 如果两个输入的shape不能被广播。
|
|
@ -0,0 +1,21 @@
|
|||
mindspore.ops.mse_loss
|
||||
======================
|
||||
|
||||
.. py:function:: mindspore.ops.mse_loss(input_x, target, reduction='mean')
|
||||
|
||||
计算预测值和标签值之间的均方误差。
|
||||
|
||||
更多参考详见 :class:`mindspore.nn.MSELoss`。
|
||||
|
||||
参数:
|
||||
- **input_x** (Tensor) - 任意维度的Tensor。
|
||||
- **target** (Tensor) - 输入标签,任意维度的Tensor。大多数场景下与 `input_x` 具有相同的shape。
|
||||
但是,也支持在两者shape不相同的情况下,通过广播保持一致。
|
||||
- **reduction** (str,可选) - 对loss应用特定的缩减方法。可选"mean"、"none"、"sum"。默认值:"mean"
|
||||
|
||||
返回:
|
||||
Tensor,数据类型为float,如果 `reduction` 为 'mean'或'sum'时,shape为0;如果 `reduction` 为 'none',输入的shape则是广播之后的shape。
|
||||
|
||||
异常:
|
||||
- **ValueError** - 如果 `reduction` 的值不是以下其中之一时:'none'、 'mean'、 'sum'。
|
||||
- **ValueError** - 如果 `input_x` 和 `target` 的shape不相同且无法广播。
|
|
@ -154,6 +154,7 @@ Element-by-Element Operations
|
|||
mindspore.ops.addcdiv
|
||||
mindspore.ops.addcmul
|
||||
mindspore.ops.addn
|
||||
mindspore.ops.addr
|
||||
mindspore.ops.arccos
|
||||
mindspore.ops.arccosh
|
||||
mindspore.ops.arcsin
|
||||
|
|
|
@ -919,33 +919,8 @@ class Tensor(Tensor_):
|
|||
|
||||
def addcdiv(self, x1, x2, value):
|
||||
r"""
|
||||
Performs the element-wise division of tensor x1 by tensor x2,
|
||||
multiply the result by the scalar value and add it to input_data.
|
||||
|
||||
.. math::
|
||||
y[i] = input\_data[i] + value[i] * (x1[i] / x2[i])
|
||||
|
||||
Args:
|
||||
x1 (Tensor): The numerator tensor.
|
||||
x2 (Tensor): The denominator tensor.
|
||||
value (Tensor): The multiplier for tensor x1/x2.
|
||||
|
||||
Returns:
|
||||
Tensor, has the same shape and dtype as x1/x2.
|
||||
|
||||
Supported Platforms:
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
Examples:
|
||||
>>> x = Tensor(np.array([1, 1, 1, 1]), mindspore.float32)
|
||||
>>> x1 = Tensor(np.array([1, 2, 3, 4]), mindspore.float32)
|
||||
>>> x2 = Tensor(np.array([4, 3, 2, 1]), mindspore.float32)
|
||||
>>> value = Tensor([1], mindspore.float32)
|
||||
>>> y = x.addcdiv(x1, x2, value)
|
||||
>>> print(y)
|
||||
[1.25 1.6666667 2.5 5. ]
|
||||
For details, please refer to :func:`mindspore.ops.addcdiv`.
|
||||
"""
|
||||
|
||||
self._init_check()
|
||||
return tensor_operator_registry.get('addcdiv')()(self, x1, x2, value)
|
||||
|
||||
|
@ -1044,48 +1019,8 @@ class Tensor(Tensor_):
|
|||
|
||||
def addr(self, vec1, vec2, beta=1, alpha=1):
|
||||
r"""
|
||||
Executes the outer-product of `vec1` and `vec2` and adds it to the input tensor.
|
||||
|
||||
If `vec1` is a vector of size :math:`N` and `vec2` is a vector of size :math:`M`, then `x` must be
|
||||
broadcastable with a matrix of size :math:`(N, M)` and `out` will be a matrix of size :math:`(N, M)`.
|
||||
|
||||
The optional values `beta` and `alpha` are the scale factors on the outer product between `vec1` and `vec2`
|
||||
and the added matrix `x` respectively. If `beta` is 0, then `x` will be ignored.
|
||||
|
||||
.. math::
|
||||
output = β x + α (vec1 ⊗ vec2)
|
||||
|
||||
Args:
|
||||
vec1 (Tensor): The first tensor to be multiplied. The shape of the tensor is :math:`(N,)`.
|
||||
vec2 (Tensor): The second tensor to be multiplied. The shape of the tensor is :math:`(M,)`.
|
||||
beta (scalar[int, float, bool], optional): Multiplier for `x` (β). The `beta` must be int or
|
||||
float or bool, Default: 1.
|
||||
alpha (scalar[int, float, bool], optional): Multiplier for `vec1` @ `vec2` (α). The `alpha` must
|
||||
be int or float or bool, Default: 1.
|
||||
|
||||
Returns:
|
||||
Tensor, the shape of the output tensor is :math:`(N, M)`, has the same dtype as `x`.
|
||||
|
||||
Raises:
|
||||
TypeError: If `x`, `vec1`, `vec2` is not a Tensor.
|
||||
TypeError: If inputs `x`, `vec1`, 'vec2' are not the same dtype.
|
||||
ValueError: If `x` is not a 2-D Tensor.
|
||||
If `vec1`, `vec2` is not a 1-D Tensor.
|
||||
|
||||
Supported Platforms:
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
Examples:
|
||||
>>> x = Tensor(np.array([[2., 2.], [3., 2.], [3., 4.]], np.float32))
|
||||
>>> vec1 = Tensor(np.array([2., 3., 2.], np.float32))
|
||||
>>> vec2 = Tensor(np.array([3, 4], np.float32))
|
||||
>>> output = x.addr(vec1, vec2)
|
||||
>>> print(output)
|
||||
[[ 8. 10.]
|
||||
[12. 14.]
|
||||
[ 9. 12.]]
|
||||
For details, please refer to :func:`mindspore.ops.addr`.
|
||||
"""
|
||||
|
||||
self._init_check()
|
||||
return tensor_operator_registry.get('addr')(self, vec1, vec2, beta=beta, alpha=alpha)
|
||||
|
||||
|
|
|
@ -3961,13 +3961,13 @@ def adjoint(x):
|
|||
|
||||
def addr(x, vec1, vec2, beta=1, alpha=1):
|
||||
"""
|
||||
Executes the outer-product of `vec1` and `vec2` and adds it to the vec1rix `x`.
|
||||
Executes the outer-product of `vec1` and `vec2` and adds it to the matrix `x`.
|
||||
|
||||
If `vec1` is a vector of size :vec1:`N` and `vec2` is a vector of size :vec1:`M`, then `x` must be broadcastable
|
||||
with a vec1rix of size :vec1:`(N, M)` and `out` will be a vec1rix of size :vec1:`(N, M)`.
|
||||
with a matrix of size :vec1:`(N, M)` and `out` will be a matrix of size :vec1:`(N, M)`.
|
||||
|
||||
The optional values `beta` and `alpha` are the scale factors on the outer product between `vec1` and `vec2`
|
||||
and the added vec1rix `x` respectively. If `beta` is 0, then `x` will be ignored.
|
||||
and the added matrix `x` respectively. If `beta` is 0, then `x` will be ignored.
|
||||
|
||||
.. vec1::
|
||||
output = β x + α (vec1 ⊗ vec2)
|
||||
|
@ -3978,7 +3978,7 @@ def addr(x, vec1, vec2, beta=1, alpha=1):
|
|||
vec2 (Tensor): The second tensor to be multiplied. The shape of the tensor is :vec1:`(M,)`.
|
||||
beta (scalar[int, float, bool], optional): Multiplier for `x` (β). The `beta` must be int or
|
||||
float or bool, Default: 1.
|
||||
alpha (scalar[int, float, bool], optional): Multiplier for `vec1` @ `vec2` (α). The `alpha` must
|
||||
alpha (scalar[int, float, bool], optional): Multiplier for `vec1` ⊗ `vec2` (α). The `alpha` must
|
||||
be int or float or bool, Default: 1.
|
||||
|
||||
Outputs:
|
||||
|
@ -7029,15 +7029,16 @@ def greater_equal(input, other):
|
|||
def igamma(input, other):
|
||||
r"""
|
||||
Calculates lower regularized incomplete Gamma function.
|
||||
|
||||
If we define `input` as `a` and `other` as `x`, the lower regularized incomplete Gamma function is defined as:
|
||||
|
||||
.. math::
|
||||
P(a, x) = gamma(a, x) / Gamma(a) = 1 - Q(a, x)
|
||||
\(P(a, x) = Gamma(a, x) / Gamma(a) = 1 - Q(a, x)\)
|
||||
|
||||
where
|
||||
|
||||
.. math::
|
||||
gamma(a, x) = \int_0^x t^{a-1} \exp^{-t} dt
|
||||
\(Gamma(a, x) = \int_0^x t^{a-1} \exp^{-t} dt\)
|
||||
|
||||
is the lower incomplete Gamma function.
|
||||
|
||||
|
@ -7051,7 +7052,7 @@ def igamma(input, other):
|
|||
other (Tensor): The second input tensor. With float32 or float64 type. `other` should have
|
||||
the same dtype with `input`.
|
||||
|
||||
Outputs:
|
||||
Returns:
|
||||
Tensor, has the same dtype as `input` and `other`.
|
||||
|
||||
Raises:
|
||||
|
@ -7079,12 +7080,18 @@ def igammac(input, other):
|
|||
Calculates upper regularized incomplete Gamma function.
|
||||
|
||||
If we define `input` as `a` and `other` as `x`, the upper regularized incomplete Gamma function is defined as:
|
||||
|
||||
.. math::
|
||||
\(Q(a, x) = Gamma(a, x) / Gamma(a) = 1 - P(a, x)\)
|
||||
|
||||
where
|
||||
|
||||
.. math::
|
||||
\(Gamma(a, x) = int_{x}^{\infty} t^{a-1} exp(-t) dt\)
|
||||
|
||||
is the upper incomplete Gama function.
|
||||
|
||||
Note, above P(a, x) (Igamma) is the lower regularized complete Gamma function.
|
||||
Above :math:`P(a, x)` is the lower regularized complete Gamma function.
|
||||
|
||||
.. warning::
|
||||
This is an experimental prototype that is subject to change and/or deletion.
|
||||
|
@ -7094,7 +7101,7 @@ def igammac(input, other):
|
|||
other (Tensor): The second input tensor. With float32 or float64 type. `other` should have
|
||||
the same dtype with `input`.
|
||||
|
||||
Outputs:
|
||||
Returns:
|
||||
Tensor, has the same dtype as `input` and `other`.
|
||||
|
||||
Raises:
|
||||
|
@ -7163,7 +7170,7 @@ def logical_xor(input, other):
|
|||
|
||||
Args:
|
||||
input (Tensor): The first input is a tensor whose data type is bool.
|
||||
other (Tensor): The second input is a the tensor to compute XOR with the first input.
|
||||
other (Tensor): The second input is a tensor to compute XOR with the first input.
|
||||
Datatype must be bool.
|
||||
|
||||
Returns:
|
||||
|
|
|
@ -4464,7 +4464,7 @@ def elu(input_x, alpha=1.0):
|
|||
x & \text{if } x \gt 0\\
|
||||
\end{array}\right.
|
||||
|
||||
Where :math:`x` is the element of input Tensor, :math:`\alpha` is param `alpha`,
|
||||
Where :math:`x` is the element of input Tensor `input_x`, :math:`\alpha` is param `alpha`,
|
||||
it determines the smoothness of ELU.
|
||||
The picture about ELU looks like this `ELU <https://en.wikipedia.org/wiki/
|
||||
Activation_function#/media/File:Activation_elu.svg>`_ .
|
||||
|
@ -4735,8 +4735,8 @@ def mse_loss(input_x, target, reduction='mean'):
|
|||
target (Tensor): The input label. Tensor of any dimension, same shape as the `input_x` in common cases.
|
||||
However, it supports that the shape of `input_x` is different from the shape of `target`
|
||||
and they should be broadcasted to each other.
|
||||
reduction (str): Type of reduction to be applied to loss. The optional values are "mean", "none" and "sum".
|
||||
Default: "mean".
|
||||
reduction (str, optional): Type of reduction to be applied to loss.
|
||||
The optional values are "mean", "none" and "sum". Default: "mean".
|
||||
|
||||
Returns:
|
||||
Tensor, loss of type float, the shape is zero if `reduction` is 'mean' or 'sum',
|
||||
|
|
|
@ -43,7 +43,7 @@ def blackman_window(window_length, periodic=True, *, dtype=None):
|
|||
periodic (bool, optional): If True, returns a window to be used as periodic function.
|
||||
If False, return a symmetric window. Default: True.
|
||||
|
||||
Keyword args:
|
||||
Keyword Args:
|
||||
dtype (mindspore.dtype, optional): the desired data type of returned tensor.
|
||||
Only float16, float32 and float64 is allowed. Default: None.
|
||||
|
||||
|
@ -56,7 +56,7 @@ def blackman_window(window_length, periodic=True, *, dtype=None):
|
|||
TypeError: If `periodic` is not a bool.
|
||||
TypeError: If `dtype` is not one of: float16, float32, float64.
|
||||
TypeError: If the type of `window_length` is not one of: int32, int64.
|
||||
ValueError: If the value range of `window_length` is not [0,1000000].
|
||||
ValueError: If the value range of `window_length` is not [0, 1000000].
|
||||
ValueError: If the dimension of `window_length` is not 0.
|
||||
|
||||
Supported Platforms:
|
||||
|
@ -103,7 +103,7 @@ def bartlett_window(window_length, periodic=True, *, dtype=None):
|
|||
periodic (bool, optional): If True, returns a window to be used as periodic function.
|
||||
If False, return a symmetric window. Default: True.
|
||||
|
||||
Keyword args:
|
||||
Keyword Args:
|
||||
dtype (mindspore.dtype, optional): The desired datatype of returned tensor.
|
||||
Only float16, float32 and float64 are allowed. Default: None.
|
||||
|
||||
|
@ -116,7 +116,7 @@ def bartlett_window(window_length, periodic=True, *, dtype=None):
|
|||
TypeError: If the type of `window_length` is not one of: int32, int64.
|
||||
TypeError: If `periodic` is not a bool.
|
||||
TypeError: If `dtype` is not one of: float16, float32, float64.
|
||||
ValueError: If the value range of `window_length` is not [0,1000000].
|
||||
ValueError: If the value range of `window_length` is not [0, 1000000].
|
||||
ValueError: If the dimension of `window_length` is not 0.
|
||||
|
||||
Supported Platforms:
|
||||
|
|
Loading…
Reference in New Issue