diff --git a/docs/api/api_python/dataset/mindspore.dataset.GraphData.rst b/docs/api/api_python/dataset/mindspore.dataset.GraphData.rst index f836d85d3fd..dcba8773547 100644 --- a/docs/api/api_python/dataset/mindspore.dataset.GraphData.rst +++ b/docs/api/api_python/dataset/mindspore.dataset.GraphData.rst @@ -11,9 +11,9 @@ mindspore.dataset.GraphData - **num_parallel_workers** (int, 可选)：读取数据的工作线程数（默认为None）。 - **working_mode** (str, 可选)：设置工作模式，目前支持'local'/'client'/'server'（默认为'local'）。 - -'local'，用于非分布式训练场景。 - -'client'，用于分布式训练场景。客户端不加载数据，而是从服务器获取数据。 - -'server'，用于分布式训练场景。服务器加载数据并可供客户端使用。 + - 'local'，用于非分布式训练场景。 + - 'client'，用于分布式训练场景。客户端不加载数据，而是从服务器获取数据。 + - 'server'，用于分布式训练场景。服务器加载数据并可供客户端使用。 - **hostname** (str, 可选)：图数据集服务器的主机名。该参数仅在工作模式设置为'client'或'server'时有效（默认为'127.0.0.1'）。 - **port** (int, 可选)：图数据服务器的端口，取值范围为1024-65535。此参数仅当工作模式设置为'client'或'server'（默认为50051）时有效。 @@ -46,7 +46,7 @@ mindspore.dataset.GraphData **异常：** - **TypeError**：参数`edge_type`的类型不为整型。 + **TypeError**：参数 `edge_type` 的类型不为整型。 .. py:method:: get_all_neighbors(node_list, neighbor_type, output_format=>> weights = [0.9, 0.01, 0.4, 0.8, 0.1, 0.1, 0.3] >>> - >>> # 创建一个WeightedRandomSampler，在没有replacement的情况下对4个元素进行采样 + >>> # 创建一个WeightedRandomSampler，将对4个元素进行有放回采样 >>> sampler = ds.WeightedRandomSampler(weights, 4) >>> dataset = ds.ImageFolderDataset(image_folder_dataset_dir, ... num_parallel_workers=8, diff --git a/docs/api/api_python/dataset/mindspore.dataset.bucket_batch_by_length.rst b/docs/api/api_python/dataset/mindspore.dataset.bucket_batch_by_length.rst index 25f4fab593e..213c2725147 100644 --- a/docs/api/api_python/dataset/mindspore.dataset.bucket_batch_by_length.rst +++ b/docs/api/api_python/dataset/mindspore.dataset.bucket_batch_by_length.rst @@ -20,22 +20,22 @@ **样例：** - >>> # 创建一个数据集对象，其中给定条数的数据会被组成一个批次数据 - >>> # 如果最后一个批次数据小于给定的批次大小（batch_size)，则丢弃这个批次 - >>> import numpy as np - >>> def generate_2_columns(n): - ... for i in range(n): - ... yield (np.array([i]), np.array([j for j in range(i + 1)])) - >>> - >>> column_names = ["col1", "col2"] - >>> dataset = ds.GeneratorDataset(generate_2_columns(8), column_names) - >>> bucket_boundaries = [5, 10] - >>> bucket_batch_sizes = [2, 1, 1] - >>> element_length_function = (lambda col1, col2: max(len(col1), len(col2))) - >>> # 将对列名为"col2"的列进行填充，填充后的shape为[bucket_boundaries[i]]，其中i是当前正在批处理的桶的索引 - >>> pad_info = {"col2": ([None], -1)} - >>> pad_to_bucket_boundary = True - >>> dataset = dataset.bucket_batch_by_length(column_names, bucket_boundaries, - ... bucket_batch_sizes, - ... element_length_function, pad_info, - ... pad_to_bucket_boundary) \ No newline at end of file + >>> # 创建一个数据集对象，其中给定条数的数据会被组成一个批次数据 + >>> # 如果最后一个批次数据小于给定的批次大小（batch_size)，则丢弃这个批次 + >>> import numpy as np + >>> def generate_2_columns(n): + ... for i in range(n): + ... yield (np.array([i]), np.array([j for j in range(i + 1)])) + >>> + >>> column_names = ["col1", "col2"] + >>> dataset = ds.GeneratorDataset(generate_2_columns(8), column_names) + >>> bucket_boundaries = [5, 10] + >>> bucket_batch_sizes = [2, 1, 1] + >>> element_length_function = (lambda col1, col2: max(len(col1), len(col2))) + >>> # 将对列名为"col2"的列进行填充，填充后的shape为[bucket_boundaries[i]]，其中i是当前正在批处理的桶的索引 + >>> pad_info = {"col2": ([None], -1)} + >>> pad_to_bucket_boundary = True + >>> dataset = dataset.bucket_batch_by_length(column_names, bucket_boundaries, + ... bucket_batch_sizes, + ... element_length_function, pad_info, + ... pad_to_bucket_boundary) \ No newline at end of file diff --git a/docs/api/api_python/dataset/mindspore.dataset.zip.rst b/docs/api/api_python/dataset/mindspore.dataset.zip.rst index f66e9b8465f..c127e04c877 100644 --- a/docs/api/api_python/dataset/mindspore.dataset.zip.rst +++ b/docs/api/api_python/dataset/mindspore.dataset.zip.rst @@ -4,7 +4,7 @@ **参数：** - - **datasets** (tuple of class Dataset) - 输入元组格式的多个dataset对象。 `datasets` 参数的长度必须大于1。 + **datasets** (tuple of class Dataset) - 输入元组格式的多个dataset对象。 `datasets` 参数的长度必须大于1。 **返回：** diff --git a/docs/api/api_python/dataset_audio/mindspore.dataset.audio.transforms.LowpassBiquad.rst b/docs/api/api_python/dataset_audio/mindspore.dataset.audio.transforms.LowpassBiquad.rst index b6a38dc0401..b0c6f831240 100644 --- a/docs/api/api_python/dataset_audio/mindspore.dataset.audio.transforms.LowpassBiquad.rst +++ b/docs/api/api_python/dataset_audio/mindspore.dataset.audio.transforms.LowpassBiquad.rst @@ -7,9 +7,9 @@ mindspore.dataset.audio.transforms.LowpassBiquad **参数：** - - **sample_rate** (int)：采样率，例如44100 (Hz)，不能为零。 - - **cutoff_freq** (float)：中心频率（单位：Hz）。 - - **Q** (float, optional)：品质因子，参考https://en.wikipedia.org/wiki/Q_factor，取值范围(0, 1]（默认值为0.707）。 + - **sample_rate** (int)：采样率，例如44100 (Hz)，不能为零。 + - **cutoff_freq** (float)：中心频率（单位：Hz）。 + - **Q** (float, optional)：品质因子，参考https://en.wikipedia.org/wiki/Q_factor，取值范围(0, 1]（默认值为0.707）。 **样例：** diff --git a/docs/api/api_python/mindspore/mindspore.Parameter.rst b/docs/api/api_python/mindspore/mindspore.Parameter.rst index 0f262605016..a9c9c4cf70c 100644 --- a/docs/api/api_python/mindspore/mindspore.Parameter.rst +++ b/docs/api/api_python/mindspore/mindspore.Parameter.rst @@ -13,11 +13,11 @@ **参数：** - - **default_input** (Union[Tensor, int, float, numpy.ndarray, list])：初始化参数的输入值。 - - **name** (str)：参数的名称。默认值：None。 - - **requires_grad** (bool)：是否需要微分求梯度。默认值：True。 - - **layerwise_parallel** (bool)：在数据/混合并行模式下， `layerwise_parallel` 配置为True时，参数广播和梯度聚合时会过滤掉该参数。默认值：False。 - - **parallel_optimizer** (bool)：用于在 `semi_auto_parallel` 或 `auto_parallel` 并行模式下区分参数是否进行优化器切分。仅在 `mindspore.context.set_auto_parallel_context()` 并行配置模块中设置 `enable_parallel_optimizer` 启用优化器并行时有效。默认值：True。 + - **default_input** (Union[Tensor, int, float, numpy.ndarray, list])：初始化参数的输入值。 + - **name** (str)：参数的名称。默认值：None。 + - **requires_grad** (bool)：是否需要微分求梯度。默认值：True。 + - **layerwise_parallel** (bool)：在数据/混合并行模式下， `layerwise_parallel` 配置为True时，参数广播和梯度聚合时会过滤掉该参数。默认值：False。 + - **parallel_optimizer** (bool)：用于在 `semi_auto_parallel` 或 `auto_parallel` 并行模式下区分参数是否进行优化器切分。仅在 `mindspore.context.set_auto_parallel_context()` 并行配置模块中设置 `enable_parallel_optimizer` 启用优化器并行时有效。默认值：True。 **样例：** diff --git a/docs/api/api_python/mindspore/mindspore.RowTensor.rst b/docs/api/api_python/mindspore/mindspore.RowTensor.rst index 34049594d14..5bbd550d9c7 100644 --- a/docs/api/api_python/mindspore/mindspore.RowTensor.rst +++ b/docs/api/api_python/mindspore/mindspore.RowTensor.rst @@ -7,45 +7,43 @@ mindspore.RowTensor 通常用于表示一个有着形状为[L0, D1, .., DN]的更大的稠密张量（其中L0>>D0）的子集。 - 其中，参数`indices`用于指定`RowTensor`从该稠密张量的第一维度的哪些位置来进行切片。 + 其中，参数 `indices` 用于指定 `RowTensor` 从该稠密张量的第一维度的哪些位置来进行切片。 - 由`RowTensor`切片表示的稠密张量具有以下属性： `dense[slices.indices[i], :, :, :, ...] = slices.values[i, :, :, :, ...]` 。 + 由 `RowTensor` 切片表示的稠密张量具有以下属性： `dense[slices.indices[i], :, :, :, ...] = slices.values[i, :, :, :, ...]` 。 - `RowTensor`只能在 `Cell` 的构造方法中使用。 + `RowTensor` 只能在 `Cell` 的构造方法中使用。 目前不支持PyNative模式。 **参数：** - - **indices** (Tensor)：形状为[D0]的一维整数张量。 - - **values** (Tensor)：形状为[D0, D1, ..., Dn]中任意类型的张量。 - - **dense_shape** (tuple(int))：包含相应稠密张量形状的整数元组。 + - **indices** (Tensor)：形状为[D0]的一维整数张量。 + - **values** (Tensor)：形状为[D0, D1, ..., Dn]中任意类型的张量。 + - **dense_shape** (tuple(int))：包含相应稠密张量形状的整数元组。 **返回：** - RowTensor，由 `indices` 、 `values` 和 `dense_shape` 组成。 + RowTensor，由 `indices` 、 `values` 和 `dense_shape` 组成。 **样例：** - .. code-block:: - - >>> import mindspore as ms - >>> import mindspore.nn as nn - >>> from mindspore import RowTensor - >>> class Net(nn.Cell): - ... def __init__(self, dense_shape)： - ... super(Net, self).__init__() - ... self.dense_shape = dense_shape - ... def construct(self, indices, values)： - ... x = RowTensor(indices, values, self.dense_shape) - ... return x.values, x.indices, x.dense_shape - >>> - >>> indices = Tensor([0]) - >>> values = Tensor([[1, 2]], dtype=ms.float32) - >>> out = Net((3, 2))(indices, values) - >>> print(out[0]) - [[1.2.]] - >>> print(out[1]) - [0] - >>> print(out[2]) - (3, 2) + >>> import mindspore as ms + >>> import mindspore.nn as nn + >>> from mindspore import RowTensor + >>> class Net(nn.Cell): + ... def __init__(self, dense_shape)： + ... super(Net, self).__init__() + ... self.dense_shape = dense_shape + ... def construct(self, indices, values)： + ... x = RowTensor(indices, values, self.dense_shape) + ... return x.values, x.indices, x.dense_shape + >>> + >>> indices = Tensor([0]) + >>> values = Tensor([[1, 2]], dtype=ms.float32) + >>> out = Net((3, 2))(indices, values) + >>> print(out[0]) + [[1.2.]] + >>> print(out[1]) + [0] + >>> print(out[2]) + (3, 2) diff --git a/docs/api/api_python/mindspore/mindspore.SparseTensor.rst b/docs/api/api_python/mindspore/mindspore.SparseTensor.rst index 2029e19e78a..126d20b0e96 100644 --- a/docs/api/api_python/mindspore/mindspore.SparseTensor.rst +++ b/docs/api/api_python/mindspore/mindspore.SparseTensor.rst @@ -5,44 +5,42 @@ mindspore.SparseTensor 用来表示某一张量在给定索引上非零元素的集合。 - `SparseTensor`只能在 `Cell` 的构造方法中使用。 + `SparseTensor` 只能在 `Cell` 的构造方法中使用。 目前不支持PyNative模式。 - 对于稠密张量，其`SparseTensor(indices, values, dense_shape)`具有 `dense[indices[i]] = values[i]` 。 + 对于稠密张量，其 `SparseTensor(indices, values, dense_shape)` 具有 `dense[indices[i]] = values[i]` 。 **参数：** - - **indices** (Tensor)：形状为 `[N, ndims]` 的二维整数张量，其中N和ndims分别表示稀疏张量中 `values` 的数量和SparseTensor维度的数量。 - - **values** (Tensor)：形状为[N]的一维张量，其内部可以为任何数据类型，用来给 `indices` 中的每个元素提供数值。 - - **dense_shape** (tuple(int))：形状为ndims的整数元组，用来指定稀疏矩阵的稠密形状。 + - **indices** (Tensor)：形状为 `[N, ndims]` 的二维整数张量，其中N和ndims分别表示稀疏张量中 `values` 的数量和SparseTensor维度的数量。 + - **values** (Tensor)：形状为[N]的一维张量，其内部可以为任何数据类型，用来给 `indices` 中的每个元素提供数值。 + - **dense_shape** (tuple(int))：形状为ndims的整数元组，用来指定稀疏矩阵的稠密形状。 **返回：** - SparseTensor，由 `indices` 、 `values` 和 `dense_shape` 组成。 + SparseTensor，由 `indices` 、 `values` 和 `dense_shape` 组成。 **样例：** - .. code-block:: - - >>> import mindspore as ms - >>> import mindspore.nn as nn - >>> from mindspore import SparseTensor - >>> class Net(nn.Cell)： - ... def __init__(self, dense_shape)： - ... super(Net, self).__init__() - ... self.dense_shape = dense_shape - ... def construct(self, indices, values)： - ... x = SparseTensor(indices, values, self.dense_shape) - ... return x.values, x.indices, x.dense_shape - >>> - >>> indices = Tensor([[0, 1], [1, 2]]) - >>> values = Tensor([1, 2], dtype=ms.float32) - >>> out = Net((3, 4))(indices, values) - >>> print(out[0]) - [1.2.] - >>> print(out[1]) - [[0 1] - [1 2]] - >>> print(out[2]) - (3, 4) + >>> import mindspore as ms + >>> import mindspore.nn as nn + >>> from mindspore import SparseTensor + >>> class Net(nn.Cell)： + ... def __init__(self, dense_shape)： + ... super(Net, self).__init__() + ... self.dense_shape = dense_shape + ... def construct(self, indices, values)： + ... x = SparseTensor(indices, values, self.dense_shape) + ... return x.values, x.indices, x.dense_shape + >>> + >>> indices = Tensor([[0, 1], [1, 2]]) + >>> values = Tensor([1, 2], dtype=ms.float32) + >>> out = Net((3, 4))(indices, values) + >>> print(out[0]) + [1.2.] + >>> print(out[1]) + [[0 1] + [1 2]] + >>> print(out[2]) + (3, 4) diff --git a/docs/api/api_python/mindspore/mindspore.Tensor.rst b/docs/api/api_python/mindspore/mindspore.Tensor.rst index 06891c4cb24..cac476e3e92 100644 --- a/docs/api/api_python/mindspore/mindspore.Tensor.rst +++ b/docs/api/api_python/mindspore/mindspore.Tensor.rst @@ -3,43 +3,41 @@ mindspore.Tensor .. py:class:: mindspore.Tensor(input_data=None, dtype=None, shape=None, init=None) - 用来存储数据。 继承自C++中的`Tensor`对象。有些函数是用C++实现的，有些函数是用Python实现的。 + 用来存储数据。 继承自C++中的 `Tensor` 对象。有些函数是用C++实现的，有些函数是用Python实现的。 **参数：** - - **input_data** (Union[Tensor, float, int, bool, tuple, list, numpy.ndarray])：张量的输入数据。 - - **dtype** (:class:`mindspore.dtype`)：输入数据应是在 `mindspore.dtype` 中定义的None、bool或numeric类型。该参数用于定义输出张量的数据类型。如果值为None，则输出张量的数据类型与 `input_data` 的相同。默认值：None。 - - **shape** (Union[tuple, list, int])：用来表示张量的形状，可以是整数列表、整数元组或单一整数。如果 `input_data` 已经被设置，则不需要再设置 `shape` 。默认值：None。 - - **init** (Initializer)：用来表示初始化数据的信息。init用于在并行模式下的延迟初始化。一般情况下，不建议在其他条件下使用init接口来初始化参数。如果使用init接口来初始化参数，需要调用 `Tensor.init_data` 接口把 `Tensor` 转换为实际数据。 + - **input_data** (Union[Tensor, float, int, bool, tuple, list, numpy.ndarray])：张量的输入数据。 + - **dtype** (:class:`mindspore.dtype`)：输入数据应是在 `mindspore.dtype` 中定义的None、bool或numeric类型。该参数用于定义输出张量的数据类型。如果值为None，则输出张量的数据类型与 `input_data` 的相同。默认值：None。 + - **shape** (Union[tuple, list, int])：用来表示张量的形状，可以是整数列表、整数元组或单一整数。如果 `input_data` 已经被设置，则不需要再设置 `shape` 。默认值：None。 + - **init** (Initializer)：用来表示初始化数据的信息。init用于在并行模式下的延迟初始化。一般情况下，不建议在其他条件下使用init接口来初始化参数。如果使用init接口来初始化参数，需要调用 `Tensor.init_data` 接口把 `Tensor` 转换为实际数据。 **返回：** - Tensor。如果未设置 `dtype` 和 `shape` ，返回与 `input_data` 具有相同数据类型和形状的张量。如果设置了 `dtype` 或 `shape` ，则输出的张量的数据类型或形状与设置的相同。 + Tensor。如果未设置 `dtype` 和 `shape` ，返回与 `input_data` 具有相同数据类型和形状的张量。如果设置了 `dtype` 或 `shape` ，则输出的张量的数据类型或形状与设置的相同。 **样例：** - .. code-block:: - - >>> import numpy as np - >>> import mindspore as ms - >>> from mindspore import Tensor - >>> from mindspore.common.initializer import One - >>> # 用numpy.ndarray初始化张量 - >>> t1 = Tensor(np.zeros([1, 2, 3]), ms.float32) - >>> assert isinstance(t1, Tensor) - >>> assert t1.shape == (1, 2, 3) - >>> assert t1.dtype == ms.float32 - >>> - >>> # 用float标量初始化张量 - >>> t2 = Tensor(0.1) - >>> assert isinstance(t2, Tensor) - >>> assert t2.dtype == ms.float64 - ... - >>> # 用init初始化张量 - >>> t3 = Tensor(shape = (1, 3), dtype=ms.float32, init=One()) - >>> assert isinstance(t3, Tensor) - >>> assert t3.shape == (1, 3) - >>> assert t3.dtype == ms.float32 + >>> import numpy as np + >>> import mindspore as ms + >>> from mindspore import Tensor + >>> from mindspore.common.initializer import One + >>> # 用numpy.ndarray初始化张量 + >>> t1 = Tensor(np.zeros([1, 2, 3]), ms.float32) + >>> assert isinstance(t1, Tensor) + >>> assert t1.shape == (1, 2, 3) + >>> assert t1.dtype == ms.float32 + >>> + >>> # 用float标量初始化张量 + >>> t2 = Tensor(0.1) + >>> assert isinstance(t2, Tensor) + >>> assert t2.dtype == ms.float64 + ... + >>> # 用init初始化张量 + >>> t3 = Tensor(shape = (1, 3), dtype=ms.float32, init=One()) + >>> assert isinstance(t3, Tensor) + >>> assert t3.shape == (1, 3) + >>> assert t3.dtype == ms.float32 .. py:method:: T :property: @@ -53,21 +51,19 @@ mindspore.Tensor **返回：** - 张量， 含有每个元素的绝对值。 + 张量， 含有每个元素的绝对值。 **支持平台：** - ``Ascend`` ``GPU`` ``CPU`` + ``Ascend`` ``GPU`` ``CPU`` **样例：** - .. code-block:: - - >>> from mindspore import Tensor - >>> a = Tensor([1.1, -2.1]).astype("float32") - >>> output = a.abs() - >>> print(output) - [1.1 2.1] + >>> from mindspore import Tensor + >>> a = Tensor([1.1, -2.1]).astype("float32") + >>> output = a.abs() + >>> print(output) + [1.1 2.1] .. py:method:: all(axis=(), keep_dims=False) @@ -76,26 +72,24 @@ mindspore.Tensor **参数：** - - **axis** (Union[None, int, tuple(int))：被简化的维度。 当`axis`为None或者空元组的时候，简化所有维度。 默认值：()。 - - **keep_dims** (bool)：是否会保留被简化的维度。 默认值： False。 + - **axis** (Union[None, int, tuple(int))：被简化的维度。 当 `axis` 为None或者空元组的时候，简化所有维度。 默认值：()。 + - **keep_dims** (bool)：是否会保留被简化的维度。 默认值： False。 **返回：** - Tensor。如果在指定轴方向上所有数组元素都为True，则其值为True，否则其值为False。如果轴为None或空元组，则简化所有维度。 + Tensor。如果在指定轴方向上所有数组元素都为True，则其值为True，否则其值为False。如果轴为None或空元组，则简化所有维度。 **支持平台：** - ``Ascend`` ``GPU`` ``CPU`` + ``Ascend`` ``GPU`` ``CPU`` **样例：** - .. code-block:: - - >>> from mindspore import Tensor - >>> a = Tensor([True, True, False]) - >>> output = a.all() - >>> print(output) - False + >>> from mindspore import Tensor + >>> a = Tensor([True, True, False]) + >>> output = a.all() + >>> print(output) + False .. py:method:: any(axis=(), keep_dims=False) @@ -103,26 +97,24 @@ mindspore.Tensor **参数：** - - **axis** (Union[None, int, tuple(int))：简化的维度。当轴为None或空元组时，简化所有维度。默认值：()。 - - **keep_dims** (bool)：表示是否保留简化后的维度。默认值：False。 + - **axis** (Union[None, int, tuple(int))：简化的维度。当轴为None或空元组时，简化所有维度。默认值：()。 + - **keep_dims** (bool)：表示是否保留简化后的维度。默认值：False。 **返回：** - Tensor。如果在指定轴方向上所有数组元素都为True，则其值为True，否则其值为False。如果轴为None或空元组，则简化所有维度。 + Tensor。如果在指定轴方向上所有数组元素都为True，则其值为True，否则其值为False。如果轴为None或空元组，则简化所有维度。 **支持平台：** - ``Ascend`` ``GPU`` ``CPU`` + ``Ascend`` ``GPU`` ``CPU`` **样例：** - .. code-block:: - - >>> from mindspore import Tensor - >>> a = Tensor([True, True, False]) - >>> output = a.any() - >>> print(output) - True + >>> from mindspore import Tensor + >>> a = Tensor([True, True, False]) + >>> output = a.any() + >>> print(output) + True .. py:method:: asnumpy() @@ -139,11 +131,11 @@ mindspore.Tensor **参数：** - - **x** (Tensor)：输入的张量。该张量的形状必须遵守广播规则。 + **x** (Tensor)：输入的张量。该张量的形状必须遵守广播规则。 **返回：** - Tensor，维度与输入张量的相同。 + Tensor，维度与输入张量的相同。 .. py:method:: from_numpy(array) :static: @@ -152,11 +144,11 @@ mindspore.Tensor **参数：** - array (numpy.array)：输入数组。 + array (numpy.array)：输入数组。 **返回：** - Tensor，与输入的张量具有相同的数据类型。 + Tensor，与输入的张量具有相同的数据类型。 .. py:method:: mean(axis=(), keep_dims=False) @@ -165,24 +157,22 @@ mindspore.Tensor **参数：** - - **axis** (Union[None, int, tuple(int), list(int)])：简化的维度。当轴为None或空元组时，简化所有维度。默认值：()。 - - **keep_dims** (bool)：表示是否保留简化后的维度。默认值：False。 + - **axis** (Union[None, int, tuple(int), list(int)])：简化的维度。当轴为None或空元组时，简化所有维度。默认值：()。 + - **keep_dims** (bool)：表示是否保留简化后的维度。默认值：False。 **返回：** - Tensor，与输入的张量具有相同的数据类型。 + Tensor，与输入的张量具有相同的数据类型。 **支持平台：** - ``Ascend`` ``GPU`` ``CPU`` + ``Ascend`` ``GPU`` ``CPU`` **样例：** - .. code-block:: - - >>> import numpy as np - >>> from mindspore import Tensor - >>> input_x = Tensor(np.array([1, 2, 3], dtype=np.float32)) - >>> output = input_x.mean() - >>> print(output) - 2.0 + >>> import numpy as np + >>> from mindspore import Tensor + >>> input_x = Tensor(np.array([1, 2, 3], dtype=np.float32)) + >>> output = input_x.mean() + >>> print(output) + 2.0