forked from mindspore-Ecosystem/mindspore
Gitee
commit
45056262bb
|
|
@ -59,7 +59,9 @@ MindSpore中 `mindspore.ops` 接口与上一版本相比，新增、删除和支
|
|||
mindspore.ops.Dropout3D
|
||||
mindspore.ops.DynamicGRUV2
|
||||
mindspore.ops.DynamicRNN
|
||||
mindspore.ops.EmbeddingLookup
|
||||
mindspore.ops.Flatten
|
||||
mindspore.ops.GridSampler3D
|
||||
mindspore.ops.LayerNorm
|
||||
mindspore.ops.LRN
|
||||
mindspore.ops.LSTM
|
||||
|
|
@ -70,7 +72,6 @@ MindSpore中 `mindspore.ops` 接口与上一版本相比，新增、删除和支
|
|||
mindspore.ops.MaxUnpool2D
|
||||
mindspore.ops.MirrorPad
|
||||
mindspore.ops.Pad
|
||||
mindspore.ops.EmbeddingLookup
|
||||
mindspore.ops.Padding
|
||||
mindspore.ops.ResizeNearestNeighbor
|
||||
mindspore.ops.ResizeBilinear
|
||||
|
|
@ -204,6 +205,7 @@ MindSpore中 `mindspore.ops` 接口与上一版本相比，新增、删除和支
|
|||
mindspore.ops.CombinedNonMaxSuppression
|
||||
mindspore.ops.CropAndResize
|
||||
mindspore.ops.ExtractVolumePatches
|
||||
mindspore.ops.HSVToRGB
|
||||
mindspore.ops.IOU
|
||||
mindspore.ops.L2Normalize
|
||||
mindspore.ops.NMSWithMask
|
||||
|
|
@ -346,6 +348,7 @@ Reduction算子
|
|||
mindspore.ops.ReduceMean
|
||||
mindspore.ops.ReduceMin
|
||||
mindspore.ops.ReduceProd
|
||||
mindspore.ops.ReduceStd
|
||||
mindspore.ops.ReduceSum
|
||||
|
||||
比较算子
|
||||
|
|
@ -418,6 +421,7 @@ Tensor创建
|
|||
:template: classtemplate.rst
|
||||
|
||||
mindspore.ops.Gamma
|
||||
mindspore.ops.LogNormalReverse
|
||||
mindspore.ops.Multinomial
|
||||
mindspore.ops.RandomCategorical
|
||||
mindspore.ops.RandomChoiceWithMask
|
||||
|
|
@ -454,18 +458,30 @@ Array操作
|
|||
mindspore.ops.DiagPart
|
||||
mindspore.ops.DType
|
||||
mindspore.ops.ExpandDims
|
||||
mindspore.ops.FFTWithSize
|
||||
mindspore.ops.FloatStatus
|
||||
mindspore.ops.Gather
|
||||
mindspore.ops.GatherD
|
||||
mindspore.ops.GatherNd
|
||||
mindspore.ops.HammingWindow
|
||||
mindspore.ops.Heaviside
|
||||
mindspore.ops.Histogram
|
||||
mindspore.ops.HistogramFixedWidth
|
||||
mindspore.ops.Hypot
|
||||
mindspore.ops.Identity
|
||||
mindspore.ops.IdentityN
|
||||
mindspore.ops.Im2Col
|
||||
mindspore.ops.IndexAdd
|
||||
mindspore.ops.IndexFill
|
||||
mindspore.ops.InplaceAdd
|
||||
mindspore.ops.InplaceSub
|
||||
mindspore.ops.InplaceUpdate
|
||||
mindspore.ops.InvertPermutation
|
||||
mindspore.ops.IsClose
|
||||
mindspore.ops.Lcm
|
||||
mindspore.ops.LeftShift
|
||||
mindspore.ops.ListDiff
|
||||
mindspore.ops.LogMatrixDeterminant
|
||||
mindspore.ops.LogSpace
|
||||
mindspore.ops.LowerBound
|
||||
mindspore.ops.Lstsq
|
||||
|
|
|
|||
|
|
@ -0,0 +1,64 @@
|
|||
mindspore.ops.FFTWithSize
|
||||
=========================
|
||||
|
||||
.. py:class:: mindspore.ops.FFTWithSize(signal_ndim, inverse, real, norm="backward", onesided=True, signal_sizes=())
|
||||
|
||||
傅里叶变换，可以对参数进行调整，以实现FFT/IFFT/RFFT/IRFFT。
|
||||
|
||||
对于FFT，它计算以下表达式：
|
||||
|
||||
.. math::
|
||||
X[\omega_1, \dots, \omega_d] =
|
||||
\sum_{n_1=0}^{N_1-1} \dots \sum_{n_d=0}^{N_d-1} x[n_1, \dots, n_d]
|
||||
e^{-j\ 2 \pi \sum_{i=0}^d \frac{\omega_i n_i}{N_i}},
|
||||
|
||||
其中， :math:`d` = `signal_ndim` 是信号的维度，:math:`N_i` 则是信号第i个维度的大小。
|
||||
|
||||
对于IFFT，它计算以下表达式：
|
||||
|
||||
.. math::
|
||||
X[\omega_1, \dots, \omega_d] =
|
||||
\frac{1}{\prod_{i=1}^d N_i} \sum_{n_1=0}^{N_1-1} \dots \sum_{n_d=0}^{N_d-1} x[n_1, \dots, n_d]
|
||||
e^{\ j\ 2 \pi \sum_{i=0}^d \frac{\omega_i n_i}{N_i}},
|
||||
|
||||
其中， :math:`d` = `signal_ndim` 是信号的维度，:math:`N_i` 则是信号第i维的大小。
|
||||
|
||||
.. note::
|
||||
- FFT/IFFT要求complex64或complex128类型的输入，返回complex64或complex128类型的输出。
|
||||
- RFFT要求float32或float64类型的输入，返回complex64或complex128类型的输出。
|
||||
- IRFFT要求complex64或complex128类型的输入，返回float32或float64类型的输出。
|
||||
|
||||
参数：
|
||||
- **signal_ndim** (int) - 表示每个信号中的维数，控制着傅里叶变换的维数，其值只能为1、2或3。
|
||||
- **inverse** (bool) - 表示该操作是否为逆变换，用以选择FFT、IFFT、RFFT和IRFFT。
|
||||
|
||||
- 如果为True，则为RFFT或IRFFT。
|
||||
- 如果为False，则为FFT或IFFT。
|
||||
|
||||
- **real** (bool) - 表示该操作是否为实变换，用以选择FFT、IFFT、RFFT和IRFFT。
|
||||
|
||||
- 如果为True，则为RFFT或IRFFT。
|
||||
- 如果为False，则为FFT或IFFT。
|
||||
|
||||
- **norm** (str，可选) - 表示该操作的规范化方式，可选值：["backward", "forward", "ortho"]。默认值："backward"。
|
||||
|
||||
- "backward"，正向变换不缩放，逆变换按 :math:`1/sqrt(n)` 缩放，其中 `n` 表示输入 `x` 的元素数量。。
|
||||
- "ortho"，正向变换与逆变换均按 :math:`1/sqrt(n)` 缩放。
|
||||
- "forward"，正向变换按 :math:`1/sqrt(n)` 缩放，逆变换不缩放。
|
||||
|
||||
- **onesided** (bool，可选) - 控制输入是否减半以避免冗余。默认值：True。
|
||||
- **signal_sizes** (list，可选) - 原始信号的大小（RFFT变换之前的信号，不包含batch这一维），只有在IRFFT模式下和设置 `onesided=True` 时需要该参数。默认值： :math:`[]` 。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor) - 输入Tensor的维数必须大于或等于 `signal_ndim` 。
|
||||
|
||||
输出：
|
||||
Tensor，表示复数到复数、实数到复数或复数到实数傅里叶变换的结果。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果FFT/IFFT/IRFF的输入类型不是以下类型之一：complex64、complex128。
|
||||
- **TypeError** - 如果RFFT的输入类型不是以下类型之一：float3、float64。
|
||||
- **TypeError** - 如果输入的类型不是Tensor。
|
||||
- **ValueError** - 如果输入 `x` 的维度小于 `signal_ndim` 。
|
||||
- **ValueError** - 如果 `signal_ndim` 大于3或小于1。
|
||||
- **ValueError** - 如果 `norm` 取值不是"backward"、"forward"或"ortho"。
|
||||
|
|
@ -0,0 +1,8 @@
|
|||
mindspore.ops.GridSampler3D
|
||||
===========================
|
||||
|
||||
.. py:class:: mindspore.ops.GridSampler3D
|
||||
|
||||
给定一个输入和一个网格，使用网格中的输入值和像素位置计算输出。
|
||||
|
||||
更多参考详见 :func:`mindspore.ops.grid_sample`。
|
||||
|
|
@ -0,0 +1,20 @@
|
|||
mindspore.ops.HSVToRGB
|
||||
======================
|
||||
|
||||
.. py:class:: mindspore.ops.HSVToRGB
|
||||
|
||||
将一个或多个图像从HSV转换为RGB。图像的格式应为：NHWC。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor) - 输入的图像必须是shape为 :math:`[batch, image_height, image_width, channel]` 的4维Tensor。
|
||||
channel 值必须为3。
|
||||
支持的类型：float16、float32、float64。
|
||||
|
||||
输出：
|
||||
一个4-D Tensor，shape为 :math:`[batch, image_height, image_width, channel]` ，且数据类型同输入一致。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 不是一个Tensor。
|
||||
- **TypeError** - 如果 `x` 的数据类型不是float16、float32或float64。
|
||||
- **ValueError** - 如果 `x` 的维度不等于4。
|
||||
- **ValueError** - 如果 `x` 的最后一维不等于3。
|
||||
|
|
@ -0,0 +1,37 @@
|
|||
mindspore.ops.HammingWindow
|
||||
===========================
|
||||
|
||||
.. py:class:: mindspore.ops.HammingWindow(periodic=True, alpha=0.54, beta=0.46, dtype=mstype.float32)
|
||||
|
||||
使用输入窗口长度计算汉明窗口函数。
|
||||
|
||||
.. math::
|
||||
w[n] = \alpha - \beta\ \cos \left( \frac{2 \pi n}{N - 1} \right),
|
||||
|
||||
其中， :math:`N` 是全窗口尺寸。
|
||||
|
||||
参数：
|
||||
- **periodic** (bool，可选) - 一个标志，表示返回的窗口是否修剪掉来自对称窗口的最后一个重复值。默认值：True。
|
||||
|
||||
- 如果为True，则返回的窗口作为周期函数，在上式中， :math:`N = text{length} + 1` 。
|
||||
- 如果为False，则返回一个对称窗口， :math:`N = text{length}` 。
|
||||
|
||||
- **alpha** (float，可选) - 加权系数，上式中的 :math:`\alpha` ，默认值：0.54。
|
||||
- **beta** (float，可选) - 加权系数，上式中的 :math:`\beta` ，默认值：0.46。
|
||||
- **dtype** (:class:`mindspore.dtype`，可选) - 数据类型，可选值为 `mindspore.dtype.float16` 、 `mindspore.dtype.float32` 或 `mindspore.dtype.float64` 。默认值： `mindspore.dtype.float32` 。
|
||||
|
||||
输入：
|
||||
- **length** (Tensor) - 一个1D的正整数Tensor，控制返回窗口的大小。
|
||||
|
||||
输出：
|
||||
Tensor，一个包含窗口的1-D Tensor，其shape为 :math:`\text{length}` 。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `length` 不是一个Tensor。
|
||||
- **TypeError** - 如果 `length` 的数据类型不是整型。
|
||||
- **TypeError** - 如果 `periodic` 的数据类型不是bool类型。
|
||||
- **TypeError** - 如果 `alpha` 的数据类型不是float类型。
|
||||
- **TypeError** - 如果 `beta` 的数据类型不是float类型。
|
||||
- **TypeError** - 如果 `dtype` 的取值不是 `mindspore.float16` 、 `mindspore.float32` 或 `mindspore.float64` 。
|
||||
- **ValueError** - 如果 `length` 的维度不是1。
|
||||
- **ValueError** - 如果 `length` 的值是负数。
|
||||
|
|
@ -0,0 +1,25 @@
|
|||
mindspore.ops.Heaviside
|
||||
=======================
|
||||
|
||||
.. py:class:: mindspore.ops.Heaviside
|
||||
|
||||
计算输入中每个元素的Heaviside步长函数。
|
||||
|
||||
.. math::
|
||||
\text { heaviside }(\text { x, values })=\left\{\begin{array}{ll}
|
||||
0, & \text { if x }<0 \\
|
||||
\text { values, } & \text { if x }==0 \\
|
||||
1, & \text { if x }>0
|
||||
\end{array}\right.
|
||||
|
||||
输入：
|
||||
- **x** (Tensor) - 输入Tensor，实数类型。
|
||||
- **values** (Tensor) - 在 `x` 中为0的位置应用其值。 `values` 可以同 `x` 进行广播。 `x` 与 `values` 的数据类型应该相同。
|
||||
|
||||
输出：
|
||||
Tensor，与 `x` 和 `values` 的数据类型相同。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 或 `values` 不是Tensor。
|
||||
- **TypeError** - 如果 `x` 与 `values` 的数据类型不一致。
|
||||
- **ValueError** - 如果两个输入的shape之间无法进行广播。
|
||||
|
|
@ -0,0 +1,30 @@
|
|||
mindspore.ops.Histogram
|
||||
=======================
|
||||
|
||||
.. py:class:: mindspore.ops.Histogram(bins=100, min=0.0, max=0.0)
|
||||
|
||||
计算Tensor的直方图。
|
||||
|
||||
元素被分类到 `min` 和 `max` 之间的等宽箱中。
|
||||
如果 `min` 和 `max` 均为0，则使用数据的最小值和最大值。
|
||||
|
||||
低于最小值和高于最大值的元素将被忽略。
|
||||
|
||||
参数：
|
||||
- **bins** (int， 可选) - 直方图箱的数量，可选。默认值：100。若指定，则必须为正数。
|
||||
- **min** (float，可选) - 范围下端（含）的可选浮点数。默认值：0.0。
|
||||
- **max** (float，可选) - 范围上限（含）的可选浮点数。默认值：0.0。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor) - 输入Tensor，类型支持： :math:`[float16, float32, int32]` 。
|
||||
|
||||
输出：
|
||||
Tensor，类型为int32的1-D Tensor。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 不是Tensor。
|
||||
- **TypeError** - 如果 `x` 的数据类型不支持。
|
||||
- **TypeError** - 如果属性 `min` 或 `max` 不是float类型。
|
||||
- **TypeError** - 如果属性 `bins` 不是整数。
|
||||
- **ValueError** - 如果属性 `min` > `max` 。
|
||||
- **ValueError** - 如果属性 `bins` <= 0。
|
||||
|
|
@ -0,0 +1,18 @@
|
|||
mindspore.ops.Hypot
|
||||
===================
|
||||
|
||||
.. py:class:: mindspore.ops.Hypot
|
||||
|
||||
将输入Tensor的逐个元素作为直角三角形的直角边，并计算其斜边的值。
|
||||
两个输入的shape应该是可广播的，且它们的数据类型应该是其中之一：float32、float64。
|
||||
|
||||
输入：
|
||||
- **x1** (Tensor) - 第一个输入Tensor。
|
||||
- **x2** (Tensor) - 第二个输入Tensor。
|
||||
|
||||
输出：
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中具有更高的精度的那一个。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `x1` 或 `x2` 的数据类型不是float32或float64。
|
||||
- **ValueError** - 如果两个输入的shape无法广播。
|
||||
|
|
@ -0,0 +1,19 @@
|
|||
mindspore.ops.IdentityN
|
||||
=======================
|
||||
|
||||
.. py:class:: mindspore.ops.IdentityN
|
||||
|
||||
返回与输入具有相同shape和值的tuple(Tensor)。
|
||||
|
||||
此操作可用于覆盖复杂函数的梯度。例如，假设 :math: `y = f(x)` ，
|
||||
我们希望为反向传播应用自定义函数g，则 :math:`dx=g(dy)` 。
|
||||
|
||||
输入：
|
||||
- **x** (Tensors) - tuple(Tensor)或List(Tensor)，数据类型为实数。
|
||||
|
||||
输出：
|
||||
与输入 `x` 具有相同shape和数据类型的tuple(Tensor)。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `x` 不是tuple(Tensor)或List(Tensor)。
|
||||
- **TypeError** - 如果 `x` 的数据类型不是实数。
|
||||
|
|
@ -0,0 +1,8 @@
|
|||
mindspore.ops.IndexFill
|
||||
=======================
|
||||
|
||||
.. py:class:: mindspore.ops.IndexFill
|
||||
|
||||
按 `index` 中给定的顺序选择索引，将输入 `value` 的值填充到输入Tensor `x` 的所有 `dim` 维元素。
|
||||
|
||||
更多参考详见 :func:`mindspore.ops.index_fill`。
|
||||
|
|
@ -0,0 +1,8 @@
|
|||
mindspore.ops.IsClose
|
||||
=====================
|
||||
|
||||
.. py:class:: mindspore.ops.IsClose
|
||||
|
||||
返回一个bool型Tensor，表示 `x1` 的每个元素与 `x2` 的每个元素在给定容忍度内是否“接近”。
|
||||
|
||||
更多参考详见 :func:`mindspore.ops.isclose`。
|
||||
|
|
@ -0,0 +1,18 @@
|
|||
mindspore.ops.Lcm
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Lcm
|
||||
|
||||
逐个元素计算输入Tensor的最小公倍数。
|
||||
两个输入的shape应该是可广播的，它们的数据类型应该是其中之一：int32、int64。
|
||||
|
||||
输入：
|
||||
- **x1** (Tensor) - 第一个输入Tensor。
|
||||
- **x2** (Tensor) - 第二个输入Tensor。
|
||||
|
||||
输出：
|
||||
Tensor，shape与广播后的shape相同，数据类型为两个输入中具有更高的精度的那一个。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `x1` 或 `x2` 的数据类型不是int32或int64。
|
||||
- **ValueError** - 如果两个输入的shape无法广播。
|
||||
|
|
@ -0,0 +1,26 @@
|
|||
mindspore.ops.LeftShift
|
||||
=======================
|
||||
|
||||
.. py:class:: mindspore.ops.LeftShift
|
||||
|
||||
将Tensor每个位置的值向左移动几个比特位。
|
||||
输入是两个Tensor，它们的数据类型必须一致，并且它们的shape可以广播。
|
||||
输出不支持隐式类型转换。
|
||||
|
||||
.. math::
|
||||
|
||||
\begin{aligned}
|
||||
&out_{i} =x_{i} << y_{i}
|
||||
\end{aligned}
|
||||
|
||||
输入：
|
||||
- **x1** (Tensor) - 目标Tensor，将根据 `x2` 对应位置的值向左移动相应的比特位，类型支持int8、int16、int32、int64、uint8、uint16、uint32、uint64。
|
||||
- **x2** (Tensor) - Tensor必须具有与 `x1` 相同的数据类型，且其shape必须与 `x1` 相同或者可以与 `x1` 进行广播。
|
||||
|
||||
输出：
|
||||
- **output** (Tensor) - 输出Tensor，数据类型与 `x1` 相同。并且输出Tensor的shape与 `x1` 相同，或者与广播后的 `x1` 和 `x2` 的shape相同。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `x1` 或 `x2` 的数据类型错误。
|
||||
- **TypeError** - 如果 `x1` 或 `x2` 不是Tensor。
|
||||
- **ValueError** - 如果 `x1` 与 `x2` 无法广播。
|
||||
|
|
@ -0,0 +1,28 @@
|
|||
mindspore.ops.ListDiff
|
||||
======================
|
||||
|
||||
.. py:class:: mindspore.ops.ListDiff(out_idx=mstype.int32)
|
||||
|
||||
比较两个数字列表之间的不同。
|
||||
|
||||
给定一个列表 `x` 和一个列表 `y`，此操作返回一个列表 `out`，表示在 `x` 中但不在 `y` 中的所有值。
|
||||
返回列表 `out` 的排序顺序与数字出现在 `x` 中的顺序相同（保留重复项）。此操作还会返回一个列表 `idx` ，
|
||||
表示每个 `out` 元素在 `x` 中的位置。即： :math:`out[i] = x[idx[i]] for i in [0, 1, ..., len(out) - 1]` 。
|
||||
|
||||
参数：
|
||||
- **out_idx** ( :class:`mindspore.dtype` ，可选) - `idx` 的数据类型，可选值： `mindspore.dtype.int32` 和 `mindspore.dtype.int64` 。默认值： `mindspore.dtype.int32` 。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor) - 一个1-D Tensor。保留的值。类型支持：[float16, float32, float64, uint8, uint16, int8, int16, int32, int64]。
|
||||
- **y** (Tensor) - 一个1-D Tensor，与 `x` 类型一致。移除的值。
|
||||
|
||||
输出：
|
||||
**out** (Tensor) - 一个1-D Tensor，与 `x` 类型一致。
|
||||
**idx** (Tensor) - 一个1-D Tensor， `out_idx` 类型。
|
||||
|
||||
异常：
|
||||
- **ValueError** - 如果 `x` 或 `y` 的shape不是1D。
|
||||
- **TypeError** - 如果 `x` 或 `y` 不是Tensor。
|
||||
- **TypeError** - 如果 `x` 或 `y` 的数据类型不在支持列表里。
|
||||
- **TypeError** - 如果 `x` 与 `y` 的数据类型不同。
|
||||
- **TypeError** - 如果属性 `out_idx` 的取值不在[mindspore.dtype.int32, mindspore.dtype.int64]中。
|
||||
|
|
@ -0,0 +1,8 @@
|
|||
mindspore.ops.LogMatrixDeterminant
|
||||
==================================
|
||||
|
||||
.. py:class:: mindspore.ops.LogMatrixDeterminant
|
||||
|
||||
计算一个或多个方块矩阵行列式绝对值的符号和对数。
|
||||
|
||||
更多参考详见 :func:`mindspore.ops.log_matrix_determinant`。
|
||||
|
|
@ -0,0 +1,23 @@
|
|||
mindspore.ops.LogNormalReverse
|
||||
==============================
|
||||
|
||||
.. py:class:: mindspore.ops.LogNormalReverse(mean=2.0, std=1.0)
|
||||
|
||||
用给定均值和标准差初始化对数正态分布，并以此填充输入Tensor的元素。
|
||||
|
||||
.. math::
|
||||
\text{f}(x;1.0,2.0)=\frac{1}{x\delta \sqrt[]{2\pi} }e^{-\frac{(\ln x-\mu )^2}{2\delta ^2} }
|
||||
|
||||
参数：
|
||||
- **mean** (float，可选) - 正态分布的均值，float类型。默认值：2.0。
|
||||
- **std** (float，可选) - 正态分布的标准差，float类型。默认值：1.0。
|
||||
|
||||
输入：
|
||||
- **input** (Tensor) - 要用对数正态分布生成的Tensor。必须是以下类型之一：float16、float32。
|
||||
|
||||
输出：
|
||||
Tensor，与 `input` 的shape及数据类型相同。
|
||||
|
||||
异常：
|
||||
- **TypeError** - 如果 `input` 不是Tensor。
|
||||
- **ValueError** - 如果 `input` 是NULL。
|
||||
|
|
@ -3,8 +3,7 @@ mindspore.ops.ReduceStd
|
|||
|
||||
.. py:class:: mindspore.ops.ReduceStd(axis=(), unbiased=True, keep_dims=False)
|
||||
|
||||
默认情况下，输出Tensor各维度上的标准差与均值，也可以对指定维度求标准差与均值。如果 `axis` 是维度列表，则减少对应的维度。
|
||||
|
||||
通过指定 `keep_dims` 参数，来控制输出和输入的维度是否相同。
|
||||
返回输入Tensor在 `axis` 维上每一行的标准差和均值。
|
||||
如果 `axis` 是维度列表，则减少列表内的所有维度。
|
||||
|
||||
更多参考详见 :func:`mindspore.ops.std`。
|
||||
|
|
@ -60,6 +60,7 @@ Neural Network
|
|||
mindspore.ops.DynamicGRUV2
|
||||
mindspore.ops.DynamicRNN
|
||||
mindspore.ops.Flatten
|
||||
mindspore.ops.GridSampler3D
|
||||
mindspore.ops.LayerNorm
|
||||
mindspore.ops.LRN
|
||||
mindspore.ops.LSTM
|
||||
|
|
@ -203,6 +204,7 @@ Image Processing
|
|||
mindspore.ops.CombinedNonMaxSuppression
|
||||
mindspore.ops.CropAndResize
|
||||
mindspore.ops.ExtractVolumePatches
|
||||
mindspore.ops.HSVToRGB
|
||||
mindspore.ops.IOU
|
||||
mindspore.ops.L2Normalize
|
||||
mindspore.ops.NMSWithMask
|
||||
|
|
@ -345,6 +347,7 @@ Reduction Operator
|
|||
mindspore.ops.ReduceMean
|
||||
mindspore.ops.ReduceMin
|
||||
mindspore.ops.ReduceProd
|
||||
mindspore.ops.ReduceStd
|
||||
mindspore.ops.ReduceSum
|
||||
|
||||
Comparison Operator
|
||||
|
|
@ -417,6 +420,7 @@ Random Generation Operator
|
|||
:template: classtemplate.rst
|
||||
|
||||
mindspore.ops.Gamma
|
||||
mindspore.ops.LogNormalReverse
|
||||
mindspore.ops.Multinomial
|
||||
mindspore.ops.RandomCategorical
|
||||
mindspore.ops.RandomChoiceWithMask
|
||||
|
|
@ -453,18 +457,30 @@ Array Operation
|
|||
mindspore.ops.DiagPart
|
||||
mindspore.ops.DType
|
||||
mindspore.ops.ExpandDims
|
||||
mindspore.ops.FFTWithSize
|
||||
mindspore.ops.FloatStatus
|
||||
mindspore.ops.Gather
|
||||
mindspore.ops.GatherD
|
||||
mindspore.ops.GatherNd
|
||||
mindspore.ops.HammingWindow
|
||||
mindspore.ops.Heaviside
|
||||
mindspore.ops.Histogram
|
||||
mindspore.ops.HistogramFixedWidth
|
||||
mindspore.ops.Hypot
|
||||
mindspore.ops.Identity
|
||||
mindspore.ops.IdentityN
|
||||
mindspore.ops.Im2Col
|
||||
mindspore.ops.IndexAdd
|
||||
mindspore.ops.IndexFill
|
||||
mindspore.ops.InplaceAdd
|
||||
mindspore.ops.InplaceSub
|
||||
mindspore.ops.InplaceUpdate
|
||||
mindspore.ops.InvertPermutation
|
||||
mindspore.ops.IsClose
|
||||
mindspore.ops.Lcm
|
||||
mindspore.ops.LeftShift
|
||||
mindspore.ops.ListDiff
|
||||
mindspore.ops.LogMatrixDeterminant
|
||||
mindspore.ops.LogSpace
|
||||
mindspore.ops.LowerBound
|
||||
mindspore.ops.Lstsq
|
||||
|
|
|
|||
|
|
@ -6489,8 +6489,12 @@ class ListDiff(Primitive):
|
|||
is sorted in the same order that the numbers appear in `x` (duplicates are
|
||||
preserved). This operation also returns a list `idx` that represents the
|
||||
position of each `out` element in `x`. In other words:
|
||||
:math:`out[i] = x[idx[i]] for i in [0, 1, ..., len(out) - 1]` .
|
||||
|
||||
`out[i] = x[idx[i]] for i in [0, 1, ..., len(out) - 1]`
|
||||
Args:
|
||||
out_idx (:class:`mindspore.dtype`, optional): The dtype of `idx`,
|
||||
an optioanal datatype of `mindspore.dtype.int32` and `mindspore.dtype.int64`.
|
||||
Default: `mindspore.dtype.int32`.
|
||||
|
||||
Inputs:
|
||||
- **x**: A 1-D `Tensor`. Values to keep. type support list [float16, float32,
|
||||
|
|
@ -6506,15 +6510,15 @@ class ListDiff(Primitive):
|
|||
TypeError: If `x` or `y` is not a Tensor.
|
||||
TypeError: If `x` or `y` datetype not in support list.
|
||||
TypeError: If `x` has different data type with `y`.
|
||||
TypeError: If attr `out_idx` not in [mstype.int32, mstype.int64].
|
||||
TypeError: If attr `out_idx` not in [mindspore.dtype.int32, mindspore.dtype.int64].
|
||||
|
||||
Supported Platforms:
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
Examples:
|
||||
>>> x = Tensor(np.arange(1, 7, 1), dtype=mstype.int32) # [1, 2, 3, 4, 5, 6]
|
||||
>>> y = Tensor([1, 3, 5], dtype=mstype.int32)
|
||||
>>> op = ops.ListDiff() # out_idx default is mstype.int32
|
||||
>>> x = Tensor(np.arange(1, 7, 1), dtype=mindspore.dtype.int32) # [1, 2, 3, 4, 5, 6]
|
||||
>>> y = Tensor([1, 3, 5], dtype=mindspore.dtype.int32)
|
||||
>>> op = ops.ListDiff() # out_idx default is mindspore.dtype.int32
|
||||
>>> out, idx = op(x, y)
|
||||
>>> print(out)
|
||||
[2 4 6]
|
||||
|
|
@ -7092,7 +7096,8 @@ class LogSpace(Primitive):
|
|||
TypeError: If `input` is not a Tensor.
|
||||
TypeError: If `steps` is not an int.
|
||||
TypeError: If `base` is not an int.
|
||||
TypeError: If `dtype` is not mindspore.float16, mindspore.float32 or mindspore.float64(for GPU).
|
||||
TypeError: If `dtype` is not mindspore.float16, mindspore.float32 or
|
||||
mindspore.float64(for GPU).
|
||||
ValueError: If `steps` is not a non-negative integer.
|
||||
ValueError: If `base` is not a non-negative integer.
|
||||
|
||||
|
|
@ -7221,7 +7226,7 @@ class IndexFill(Primitive):
|
|||
Fills the elements under the dim dimension of the input Tensor with the input value
|
||||
by selecting the indices in the order given in index.
|
||||
|
||||
Refer to :func:`mindspore.ops.index_fill` for more detail.
|
||||
Refer to :func:`mindspore.ops.index_fill` for more details.
|
||||
Inputs:
|
||||
- **x** (Tensor) - Input tensor.
|
||||
The shape is :math:`(N,*)` where :math:`*` means, any number of additional dimensions.
|
||||
|
|
@ -7545,13 +7550,16 @@ class HammingWindow(Primitive):
|
|||
where :math:`N` is the full window size.
|
||||
|
||||
Args:
|
||||
periodic (bool): a flag determines whether the returned window trims off the last
|
||||
duplicate value from the symmetric window. If True, returns a window to be used
|
||||
as periodic function, in above formula, :math:`N = \text{length} + 1`.
|
||||
If False, return a symmetric window, :math:`N = \text{length}`. Default: True.
|
||||
alpha (float): The coefficient :math:`\alpha` in the equation above, default to 0.54.
|
||||
beta (float): The coefficient :math:`\beta` in the equation above, default to 0.46.
|
||||
dtype (:class:`mindspore.dtype`): An optional data type of `mindspore.dtype.float16`,
|
||||
periodic (bool, optional): a flag determines whether the returned window trims off
|
||||
the last duplicate value from the symmetric window. Default: True.
|
||||
|
||||
- If True, returns a window to be used as periodic function, in above formula,
|
||||
:math:`N = \text{length} + 1`.
|
||||
- If False, return a symmetric window, :math:`N = \text{length}`.
|
||||
|
||||
alpha (float, optional): The coefficient :math:`\alpha` in the equation above. Default: 0.54.
|
||||
beta (float, optional): The coefficient :math:`\beta` in the equation above. Default: 0.46.
|
||||
dtype (:class:`mindspore.dtype`, optional): An optional data type of `mindspore.dtype.float16`,
|
||||
`mindspore.dtype.float32` and `mindspore.dtype.float64`. Default: `mindspore.dtype.float32`.
|
||||
|
||||
Inputs:
|
||||
|
|
|
|||
|
|
@ -488,15 +488,18 @@ class NonMaxSuppressionWithOverlaps(Primitive):
|
|||
class HSVToRGB(Primitive):
|
||||
"""
|
||||
Convert one or more images from HSV to RGB.
|
||||
Outputs a tensor of the same shape as the images tensor, containing the HSV value of the pixels.
|
||||
The output is only well defined if the value in images are in [0,1].
|
||||
Outputs a tensor of the same shape as the images tensor,
|
||||
containing the HSV value of the pixels. The output is only
|
||||
well defined if the value in images are in [0,1].
|
||||
|
||||
Inputs:
|
||||
**x** (Tensor) - The input image must be a 4-D tensor of shape [batch, image_height, image_width, channel].
|
||||
Number of channel must be 3.
|
||||
Types allowed: float16, float32, float64.
|
||||
- **x** (Tensor) - The input image must be a 4-D tensor of shape
|
||||
:math:`[batch, image_height, image_width, channel]`.
|
||||
Number of channel must be 3. Types allowed: float16, float32, float64.
|
||||
|
||||
Outputs:
|
||||
A 4-D tensor of shape [batch, image_height, image_width, channel] with same type of input.
|
||||
A 4-D tensor of shape :math:`[batch, image_height, image_width, channel]`
|
||||
with same type of input.
|
||||
|
||||
Raises:
|
||||
TypeError: If `x` is not a Tensor.
|
||||
|
|
@ -755,6 +758,7 @@ class ResizeBicubic(Primitive):
|
|||
Types allowed: int8, int16, int32, int64, float16, float32, float64, uint8, uint16.
|
||||
- **size** (Tensor) - A 1-D tensor of shape [2], with 2 elements: new_height, new_width.
|
||||
Types allowed: int32.
|
||||
|
||||
Outputs:
|
||||
A 4-D tensor of shape [batch, new_height, new_width, channels] with type: float32.
|
||||
|
||||
|
|
|
|||
|
|
@ -2466,7 +2466,7 @@ class ReduceStd(Primitive):
|
|||
Returns the standard-deviation and mean of each row of the input tensor in the dimension `axis`.
|
||||
If `axis` is a list of dimensions, reduce over all of them.
|
||||
|
||||
Refer to :func:`mindspore.ops.std` for more detail.
|
||||
Refer to :func:`mindspore.ops.std` for more details.
|
||||
|
||||
Supported Platforms:
|
||||
``Ascend`` ``CPU``
|
||||
|
|
@ -2878,8 +2878,9 @@ class Heaviside(Primitive):
|
|||
|
||||
Inputs:
|
||||
- **x** (Tensor) - The input tensor. With real number data type.
|
||||
- **values** (Tensor) - The values to use where x is zero. Values can be broadcast with x.
|
||||
'x' should have the same dtype with 'values'.
|
||||
- **values** (Tensor) - The values to use where `x` is zero.
|
||||
Values can be broadcast with `x` . 'x' should have the same
|
||||
dtype with 'values'.
|
||||
|
||||
Outputs:
|
||||
Tensor, has the same type as 'x' and 'values'.
|
||||
|
|
@ -5589,7 +5590,7 @@ class LogMatrixDeterminant(Primitive):
|
|||
"""
|
||||
Computes the sign and the log of the absolute value of the determinant of one or more square matrices.
|
||||
|
||||
Refer to :func:`mindspore.ops.log_matrix_determinant` for more detail.
|
||||
Refer to :func:`mindspore.ops.log_matrix_determinant` for more details.
|
||||
|
||||
Supported Platforms:
|
||||
``GPU`` ``CPU``
|
||||
|
|
@ -6143,7 +6144,7 @@ class IsClose(Primitive):
|
|||
r"""
|
||||
Returns a boolean Tensor where two tensors are element-wise equal within a tolerance.
|
||||
|
||||
Refer to :func:`mindspore.ops.isclose` for more detail.
|
||||
Refer to :func:`mindspore.ops.isclose` for more details.
|
||||
|
||||
Supported Platforms:
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
|
@ -7093,7 +7094,7 @@ class FFTWithSize(Primitive):
|
|||
\sum_{n_1=0}^{N_1-1} \dots \sum_{n_d=0}^{N_d-1} x[n_1, \dots, n_d]
|
||||
e^{-j\ 2 \pi \sum_{i=0}^d \frac{\omega_i n_i}{N_i}},
|
||||
|
||||
where :math:`d` = :attr:`signal_ndim` is number of dimensions for the
|
||||
where :math:`d` = `signal_ndim` is number of dimensions for the
|
||||
signal, and :math:`N_i` is the size of signal dimension :math:`i`.
|
||||
|
||||
For ifft, it computes the following expression:
|
||||
|
|
@ -7103,26 +7104,29 @@ class FFTWithSize(Primitive):
|
|||
\frac{1}{\prod_{i=1}^d N_i} \sum_{n_1=0}^{N_1-1} \dots \sum_{n_d=0}^{N_d-1} x[n_1, \dots, n_d]
|
||||
e^{\ j\ 2 \pi \sum_{i=0}^d \frac{\omega_i n_i}{N_i}},
|
||||
|
||||
where :math:`d` = :attr:`signal_ndim` is number of dimensions for the
|
||||
where :math:`d` = `signal_ndim` is number of dimensions for the
|
||||
signal, and :math:`N_i` is the size of signal dimension :math:`i`.
|
||||
|
||||
Note:
|
||||
FFT/IFFT requires complex64 or complex128 inputs, return complex64 or complex128 outputs.
|
||||
RFFT requires float32 or float64 inputs, return complex64 or complex128 outputs.
|
||||
IRFFT requires complex64 or complex128 inputs, return float32 or float64 outputs.
|
||||
- FFT/IFFT requires complex64 or complex128 inputs, return complex64 or complex128 outputs.
|
||||
- RFFT requires float32 or float64 inputs, return complex64 or complex128 outputs.
|
||||
- IRFFT requires complex64 or complex128 inputs, return float32 or float64 outputs.
|
||||
|
||||
Args:
|
||||
signal_ndim (int): The number of dimensions in each signal, this controls how many dimensions of the fourier
|
||||
transform are realized, can only be 1, 2 or 3.
|
||||
inverse (bool): Whether it is the inverse transformation, used to select FFT or IFFT and RFFT or IRFFT.
|
||||
inverse=False means FFT or RFFT, inverse=True means IFFT or IRFFT.
|
||||
signal_ndim (int): The number of dimensions in each signal, this controls how many dimensions
|
||||
of the fourier transform are realized, can only be 1, 2 or 3.
|
||||
inverse (bool): Whether it is the inverse transformation, used to select FFT or IFFT and RFFT or
|
||||
IRFFT. inverse=False means FFT or RFFT, inverse=True means IFFT or IRFFT.
|
||||
real (bool): Whether it is the real transformation, used to select FFT/IFFT or RFFT/IRFFT.
|
||||
real=False means FFT or IFFT, real=True means RFFT or IRFFT.
|
||||
norm (str): The default normalization ("backward") has the direct (forward) transforms unscaled
|
||||
and the inverse (backward) transforms scaled by 1/n.
|
||||
"ortho" has both direct and inverse transforms are scaled by 1/sqrt(n).
|
||||
"forward" has the direct transforms scaled by 1/n and the inverse transforms unscaled.
|
||||
n is the input x's element numbers.
|
||||
norm (str, optional): The normalization, optional values: ["backward", "forward", "ortho"].
|
||||
Default value: "backward".
|
||||
|
||||
- "backward" has the direct (forward) transforms unscaled and the inverse (backward) transforms
|
||||
scaled by 1/n, where n is the input x's element numbers.
|
||||
- "ortho" has both direct and inverse transforms are scaled by 1/sqrt(n).
|
||||
- "forward" has the direct transforms scaled by 1/n and the inverse transforms unscaled.
|
||||
|
||||
onesided (bool): Controls whether the input is halved to avoid redundancy. Default: True.
|
||||
signal_sizes (list): Size of the original signal (the signal before rfft, no batch dimension),
|
||||
only in irfft mode and set onesided=true requires the parameter. Default: [].
|
||||
|
|
|
|||
|
|
@ -268,18 +268,21 @@ class RandomGamma(Primitive):
|
|||
|
||||
class LogNormalReverse(Primitive):
|
||||
r"""
|
||||
Fills the elements of the input tensor with log normal values initialized by given mean and std:
|
||||
Fills the elements of the input tensor with log normal values initialized by
|
||||
given mean and std:
|
||||
|
||||
.. math::
|
||||
\text{f}(x;1.0,2.0)=\frac{1}{x\delta \sqrt[]{2\pi} }e^{-\frac{(\ln x-\mu )^2}{2\delta ^2} }
|
||||
|
||||
Args:
|
||||
mean (float): the mean of normal distribution. With float data type. Default: 2.0.
|
||||
std (float): the std of normal distribution. With float data type. Default: 1.0.
|
||||
mean (float, optional): the mean of normal distribution. With float data type.
|
||||
Default: 2.0.
|
||||
std (float, optional): the std of normal distribution. With float data type.
|
||||
Default: 1.0.
|
||||
|
||||
Inputs:
|
||||
- **input** (Tensor) - The tensor to be generated with log-normal distribution.
|
||||
Must be one of the following types: float16, float32.
|
||||
Must be one of the following types: float16, float32.
|
||||
|
||||
Outputs:
|
||||
Tensor. A Tensor with the same type and shape of input.
|
||||
|
|
|
|||
Loading…
Reference in New Issue