forked from mindspore-Ecosystem/mindspore
amend ops
This commit is contained in:
parent
35ffa628eb
commit
3c9aa15c15
|
@ -1,31 +1,32 @@
|
|||
mindspore.ops.Add
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Add(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Add()
|
||||
|
||||
两个输入Tensor按元素相加。
|
||||
|
||||
输入 `x` 和 `y` 遵循隐式类型转换规则,使数据类型保持一致。
|
||||
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,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。
|
||||
两个输入Tensor逐元素相加。
|
||||
|
||||
.. math::
|
||||
|
||||
out_{i} = x_{i} + y_{i}
|
||||
|
||||
.. note::
|
||||
- 输入 `x` 和 `y` 遵循 `隐式类型转换规则 <https://www.mindspore.cn/docs/note/zh-CN/master/operator_list_implicit.html>`_ ,使数据类型保持一致。
|
||||
- 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,并保证其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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Union[Tensor, Number, bool]) - 第一个输入,是一个Number、bool值或数据类型为Number或bool的Tensor。
|
||||
- **y** (Union[Tensor, 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或bool值,或数据类型为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/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/api/zh-CN/master/api_python/mindspore.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。
|
||||
|
||||
**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的类型。
|
||||
Tensor,shape与输入 `x`,`y` 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或bool。
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、number.Number或bool。
|
||||
|
||||
**支持平台:**
|
||||
|
||||
|
|
|
@ -1,15 +1,15 @@
|
|||
mindspore.ops.AddN
|
||||
===================
|
||||
|
||||
.. py:class:: mindspore.ops.AddN(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.AddN()
|
||||
|
||||
按元素将所有输入的Tensor相加。
|
||||
逐元素将所有输入的Tensor相加。
|
||||
|
||||
所有输入Tensor必须具有相同的shape。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Union(tuple[Tensor], list[Tensor])) - 输入tuple或list由多个Tensor组成,其数据类型为Number或bool,用于相加。
|
||||
- **x** (Union(tuple[Tensor], list[Tensor])) - Tensor组成的tuble或list,类型为 `bool_ <https://www.mindspore.cn/docs/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 或 `number <https://www.mindspore.cn/docs/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
@ -18,6 +18,7 @@ mindspore.ops.AddN
|
|||
**异常:**
|
||||
|
||||
- **TypeError** - `x` 既不是tuple,也不是list。
|
||||
- **ValueError** - `x` 中存在shape不同的Tensor。
|
||||
|
||||
**支持平台:**
|
||||
|
||||
|
|
|
@ -1,28 +1,33 @@
|
|||
mindspore.ops.Div
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Div(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Div()
|
||||
|
||||
按元素计算第一输入Tensor除以第二输入Tensor的商。
|
||||
|
||||
输入 `x` 和 `y` 遵循隐式类型转换规则,使数据类型保持一致。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,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。
|
||||
逐元素计算第一输入Tensor除以第二输入Tensor的商。
|
||||
|
||||
.. math::
|
||||
|
||||
out_{i} = \frac{x_i}{y_i}
|
||||
|
||||
.. note::
|
||||
- 输入 `x` 和 `y` 遵循 `隐式类型转换规则 <https://www.mindspore.cn/docs/note/zh-CN/master/operator_list_implicit.html>`_ ,使数据类型保持一致。
|
||||
- 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,并保证其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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Union[Tensor, Number, bool]) - 第一个输入,是一个Number、bool值或数据类型为Number或bool的Tensor。
|
||||
- **y** (Union[Tensor, 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或bool值,或数据类型为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/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/api/zh-CN/master/api_python/mindspore.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。
|
||||
|
||||
**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的类型。
|
||||
Tensor,shape与输入 `x`,`y` 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` 都不是Tensor。
|
||||
- **TypeError** - `x` 和 `y` 数据类型都是bool_的Tensor。
|
||||
|
||||
**支持平台:**
|
||||
|
||||
|
@ -38,8 +43,8 @@ mindspore.ops.Div
|
|||
>>> print(output)
|
||||
[-1.3333334 2.5 2. ]
|
||||
>>> # 用例2:两个输入的数据类型和shape不同
|
||||
>>> x = Tensor(np.array([-4.0, 5.0, 6.0]), mindspore.int32)
|
||||
>>> y = Tensor(2, mindspore.float32)
|
||||
>>> x = Tensor(np.array([-4.0, 5.0, 6.0]), mindspore.float32)
|
||||
>>> y = Tensor(2, mindspore.int32)
|
||||
>>> output = div(x, y)
|
||||
>>> print(output)
|
||||
[-2. 2.5 3.]
|
||||
|
|
|
@ -1,18 +1,23 @@
|
|||
mindspore.ops.Eps
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Eps(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Eps()
|
||||
|
||||
创建一个填充 `x` 数据类型最小值的Tensor。
|
||||
创建一个与输入数据类型和shape都相同的Tensor,元素值为对应数据类型能表达的最小值。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Tensor) - 用于获取其数据类型最小值的Tensor。数据类型必须为float16或float32。shape为 :math:`(N,*)` ,其中 :math:`*` 表示任意的附加维度数。
|
||||
- **x** (Tensor) - 用于获取其数据类型能表达的最小值的任意维度的Tensor。数据类型必须为float16或float32。
|
||||
|
||||
**输出:**
|
||||
|
||||
Tensor,具有与 `x` 相同的数据类型和shape,填充了 `x` 数据类型的最小值。
|
||||
|
||||
**异常:**
|
||||
|
||||
- **TypeError** - `x` 不是Tensor。
|
||||
- **TypeError** - `x` 的数据类型不是float16或者float32。
|
||||
|
||||
**支持平台:**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
|
|
@ -1,9 +1,9 @@
|
|||
mindspore.ops.Erf
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Erf(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Erf()
|
||||
|
||||
按元素计算 `x` 的高斯误差函数。
|
||||
逐元素计算 `x` 的高斯误差函数。
|
||||
|
||||
.. math::
|
||||
|
||||
|
@ -11,7 +11,7 @@ mindspore.ops.Erf
|
|||
|
||||
**输入:**
|
||||
|
||||
- **x** (Tensor) - 用于计算高斯误差函数的Tensor。数据类型必须为float16或float32。shape为 :math:`(N,*)` ,其中 :math:`*` 表示任意的附加维度数,其秩应小于8。
|
||||
- **x** (Tensor) - 高斯误差函数的输入Tensor。数据类型必须为float16或float32。任意维度小于8的Tensor。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
|
@ -3,7 +3,7 @@ mindspore.ops.Gamma
|
|||
|
||||
.. py:class:: mindspore.ops.Gamma(seed=0, seed2=0)
|
||||
|
||||
根据概率密度函数分布生成随机正浮点数x。
|
||||
根据概率密度函数分布生成随机正值浮点数x。
|
||||
|
||||
.. math::
|
||||
|
||||
|
@ -14,6 +14,13 @@ mindspore.ops.Gamma
|
|||
- **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。
|
||||
|
||||
.. note::
|
||||
- 随机种子:通过一些复杂的数学算法,可以得到一组有规律的随机数,而随机种子就是这个随机数的初始值。随机种子相同,得到的随机数就不会改变。
|
||||
- 全局的随机种子和算子层的随机种子都没设置:使用默认值当做随机种子。
|
||||
- 全局的随机种子设置了,算子层的随机种子未设置:随机生成一个种子和全局的随机种子拼接。
|
||||
- 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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **shape** (tuple) - 待生成的随机Tensor的shape。只支持常量值。
|
||||
|
@ -22,12 +29,13 @@ mindspore.ops.Gamma
|
|||
|
||||
**输出:**
|
||||
|
||||
Tensor。shape是输入 `shape` 以及alpha、beta广播后的shape。数据类型为float32。
|
||||
Tensor。shape是输入 `shape`, `alpha`, `beta` 广播后的shape。数据类型为float32。
|
||||
|
||||
**异常:**
|
||||
|
||||
- **TypeError** - `seed` 和 `seed2` 都不是int。
|
||||
- **TypeError** - `alpha` 和 `beta` 都不是Tensor。
|
||||
- **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。
|
||||
|
||||
**支持平台:**
|
||||
|
|
|
@ -1,7 +1,7 @@
|
|||
mindspore.ops.GeLU
|
||||
==================
|
||||
|
||||
.. py:class:: mindspore.ops.GeLU(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.GeLU()
|
||||
|
||||
高斯误差线性单元激活函数(Gaussian Error Linear Units activation function)。
|
||||
|
||||
|
@ -11,13 +11,13 @@ mindspore.ops.GeLU
|
|||
GeLU函数定义如下:
|
||||
|
||||
.. math::
|
||||
\text{output} = 0.5 * x * (1 + tanh(x / \sqrt{2})),
|
||||
GELU(x_i) = x_i*P(X < x_i)
|
||||
|
||||
其中 :math:`tanh` 是双曲正切函数。
|
||||
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:**
|
||||
|
||||
- **x** (Tensor) - 用于计算GeLU函数的Tensor,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:**
|
||||
|
||||
|
|
|
@ -1,14 +1,14 @@
|
|||
mindspore.ops.L2Loss
|
||||
====================
|
||||
|
||||
.. py:class:: mindspore.ops.L2Loss(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.L2Loss()
|
||||
|
||||
计算Tensor的L2范数的一半,不对结果进行开方。
|
||||
用于计算L2范数,但不对结果进行开方操作。
|
||||
|
||||
把 `input_x` 设为x,输出设为loss。
|
||||
把输入设为x,输出设为loss。
|
||||
|
||||
.. math::
|
||||
loss = sum(x ** 2) / 2
|
||||
loss = \frac{\sum x ^ 2}{2}
|
||||
|
||||
**输入:**
|
||||
|
||||
|
@ -16,7 +16,7 @@ mindspore.ops.L2Loss
|
|||
|
||||
**输出:**
|
||||
|
||||
Tensor,具有与 `input_x` 相同的数据类型。输出Tensor是loss的值,是一个scalar Tensor。
|
||||
Tensor,具有与 `input_x` 相同的数据类型的Scalar Tensor。
|
||||
|
||||
**异常:**
|
||||
|
||||
|
|
|
@ -1,14 +1,9 @@
|
|||
mindspore.ops.LessEqual
|
||||
========================
|
||||
|
||||
.. py:class:: mindspore.ops.LessEqual(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.LessEqual()
|
||||
|
||||
按元素计算 :math:`x <= y` 的bool值。
|
||||
|
||||
输入 `x` 和 `y` 遵循隐式类型转换规则,使数据类型保持一致。
|
||||
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,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。
|
||||
逐元素计算 :math:`x <= y` 的bool值。
|
||||
|
||||
.. math::
|
||||
|
||||
|
@ -17,10 +12,16 @@ mindspore.ops.LessEqual
|
|||
& \text{False, if } x_{i}>y_{i}
|
||||
\end{cases}
|
||||
|
||||
.. note::
|
||||
- 输入 `x` 和 `y` 遵循 `隐式类型转换规则 <https://www.mindspore.cn/docs/note/zh-CN/master/operator_list_implicit.html>`_ ,使数据类型保持一致。
|
||||
- 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,并保证其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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Union[Tensor, Number, bool]) - 第一个输入,是一个Number、bool值或数据类型为Number或bool的Tensor。
|
||||
- **y** (Union[Tensor, 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或bool值,或数据类型为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/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/api/zh-CN/master/api_python/mindspore.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。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
|
@ -1,20 +1,23 @@
|
|||
mindspore.ops.Log
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Log(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Log()
|
||||
|
||||
按元素返回Tensor的自然对数。
|
||||
逐元素返回Tensor的自然对数。
|
||||
|
||||
.. math::
|
||||
y_i = log_e(x_i)
|
||||
|
||||
.. warning::
|
||||
|
||||
如果算子Log的输入值在(0,0.01]或[0.95,1.05]范围内,则输出精度可能会发生变化。
|
||||
如果算子Log的输入值在(0,0.01]或[0.95,1.05]范围内,则输出精度可能会存在误差。
|
||||
|
||||
.. note::
|
||||
Ascend上输入Tensor的维度要小于等于8,CPU上输入Tensor的维度要小于8。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Tensor) - 输入Tensor。该值必须大于0。shape为 :math:`(N,*)`,其中 :math:`*` 表示任意的附加维度数,它的秩应小于8。
|
||||
- **x** (Tensor) - 任意维度的输入Tensor。该值必须大于0。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
|
@ -28,7 +28,7 @@ mindspore.ops.matmul
|
|||
**异常:**
|
||||
|
||||
- **TypeError** - `transpose_a` 或 `transpose_b` 不是bool。
|
||||
- **ValueError** - 矩阵 `a` 的维度的列不等于矩阵 `b` 的维度的行。
|
||||
- **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。
|
||||
|
||||
**支持平台:**
|
||||
|
|
|
@ -1,23 +1,24 @@
|
|||
mindspore.ops.Mul
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Mul(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Mul()
|
||||
|
||||
两个Tensor按元素相乘。
|
||||
|
||||
输入 `x` 和 `y` 遵循隐式类型转换规则,使数据类型保持一致。
|
||||
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,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。
|
||||
两个Tensor逐元素相乘。
|
||||
|
||||
.. math::
|
||||
|
||||
out_{i} = x_{i} * y_{i}
|
||||
|
||||
.. note::
|
||||
- 输入 `x` 和 `y` 遵循 `隐式类型转换规则 <https://www.mindspore.cn/docs/note/zh-CN/master/operator_list_implicit.html>`_ ,使数据类型保持一致。
|
||||
- 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,并保证其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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Union[Tensor, Number, bool]) - 第一个输入,是一个Number、bool值或数据类型为Number或bool的Tensor。
|
||||
- **y** (Union[Tensor, 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或bool值,或数据类型为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/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/api/zh-CN/master/api_python/mindspore.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。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
@ -25,7 +26,7 @@ mindspore.ops.Mul
|
|||
|
||||
**异常:**
|
||||
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、Number或bool。
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、number.Number或bool。
|
||||
- **ValueError** - `x` 和 `y` 的shape不相同。
|
||||
|
||||
**支持平台:**
|
||||
|
|
|
@ -1,15 +1,13 @@
|
|||
mindspore.ops.OnesLike
|
||||
======================
|
||||
|
||||
.. py:class:: mindspore.ops.OnesLike(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.OnesLike()
|
||||
|
||||
创建新Tensor。所有元素的值都为1。
|
||||
|
||||
返回填充了Scalar值为1的具有与输入相同shape和数据类型的Tensor。
|
||||
返回值为1的Tensor,shape和数据类型与输入相同。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。shape为 :math:`(N,*)` ,其中 :math:`*` 表示任意的附加维度数。
|
||||
- **input_x** (Tensor) - 任意维度的Tensor。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
|
@ -1,7 +1,7 @@
|
|||
mindspore.ops.PReLU
|
||||
===================
|
||||
|
||||
.. py:class:: mindspore.ops.PReLU(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.PReLU()
|
||||
|
||||
带参数的线性修正单元激活函数(Parametric Rectified Linear Unit activation function)。
|
||||
|
||||
|
@ -14,18 +14,18 @@ mindspore.ops.PReLU
|
|||
|
||||
.. note::
|
||||
|
||||
Ascend不支持0-D或1-D的x。
|
||||
Ascend不支持标量和1维向量的输入x。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Tensor) - 用于计算激活函数的Tensor。数据类型为float16或float32。shape为 :math:`(N, C, *)` ,其中 :math:`*` 表示任意的附加维度数。
|
||||
- **weight** (Tensor) - 权重Tensor。数据类型为float16或float32。只有两种shape是合法的,1或 `input_x` 的通道数。通道维度是输入的第二维。当输入为0-D或1-D Tensor时,通道数为1。
|
||||
- **x** (Tensor) - 激活函数的输入Tensor。数据类型为float16或float32。shape为 :math:`(N, C, *)` ,其中 :math:`*` 表示任意的附加维度。
|
||||
- **weight** (Tensor) - 权重Tensor。数据类型为float16或float32。weight只可以是向量,长度与输入x的通道数C相同。在GPU设备上,当输入为标量时,shape为1。
|
||||
|
||||
**输出:**
|
||||
|
||||
Tensor,数据类型与 `x` 的相同。
|
||||
|
||||
有关详细信息,请参考:class:`nn.PReLU`。
|
||||
有关详细信息,请参考 :class:`mindspore.nn.PReLU` 。
|
||||
|
||||
**异常:**
|
||||
|
||||
|
|
|
@ -1,23 +1,24 @@
|
|||
mindspore.ops.Pow
|
||||
==================
|
||||
|
||||
.. py:class:: mindspore.ops.Pow(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Pow()
|
||||
|
||||
计算 `x` 中每个元素的 `y` 的幂次。
|
||||
|
||||
输入 `x` 和 `y` 遵循隐式类型转换规则,使数据类型保持一致。
|
||||
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,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。
|
||||
计算 `x` 中每个元素的 `y` 次幂。
|
||||
|
||||
.. math::
|
||||
|
||||
out_{i} = x_{i} ^{ y_{i}}
|
||||
|
||||
.. note::
|
||||
- 输入 `x` 和 `y` 遵循 `隐式类型转换规则 <https://www.mindspore.cn/docs/note/zh-CN/master/operator_list_implicit.html>`_ ,使数据类型保持一致。
|
||||
- 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,并保证其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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Union[Tensor, Number, bool]) - 第一个输入,是一个Number、bool值或数据类型为Number或bool的Tensor。
|
||||
- **y** (Union[Tensor, 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或bool值,或数据类型为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/api/en/master/api_python/mindspore.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/api/en/master/api_python/mindspore.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。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
@ -25,8 +26,8 @@ mindspore.ops.Pow
|
|||
|
||||
**异常:**
|
||||
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、Number或bool。
|
||||
- **ValueError** - `x` 和 `y` 的shape不相同。
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、number.Number或bool。
|
||||
- **ValueError** - 当`x` 和 `y` 都为Tensor时,它们的shape不相同。
|
||||
|
||||
**支持平台:**
|
||||
|
||||
|
|
|
@ -1,7 +1,7 @@
|
|||
mindspore.ops.ReLUV2
|
||||
====================
|
||||
|
||||
.. py:class:: mindspore.ops.ReLUV2(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.ReLUV2()
|
||||
|
||||
线性修正单元激活函数(Rectified Linear Unit activation function)。
|
||||
|
||||
|
@ -11,10 +11,6 @@ mindspore.ops.ReLUV2
|
|||
|
||||
\text{ReLU}(x) = (x)^+ = \max(0, x),
|
||||
|
||||
.. note::
|
||||
|
||||
与 `ReLu` 的区别在于该算子多输出一个mask,且算子的kernel与 `ReLu` 的不同。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor必须是4-D Tensor。
|
||||
|
@ -22,7 +18,7 @@ mindspore.ops.ReLUV2
|
|||
**输出:**
|
||||
|
||||
- **output** (Tensor) - 数据类型和shape与 `input_x` 的相同。
|
||||
- **mask** (Tensor) - 数据类型必须为uint8的Tensor。
|
||||
- **mask** (Tensor) - 保留输出,无实际意义。
|
||||
|
||||
**异常:**
|
||||
|
||||
|
@ -37,14 +33,9 @@ mindspore.ops.ReLUV2
|
|||
|
||||
>>> input_x = Tensor(np.array([[[[1, -2], [-3, 4]], [[-5, 6], [7, -8]]]]), mindspore.float32)
|
||||
>>> relu_v2 = ops.ReLUV2()
|
||||
>>> output, mask= relu_v2(input_x)
|
||||
>>> output, _= relu_v2(input_x)
|
||||
>>> print(output)
|
||||
[[[[1. 0.]
|
||||
[0. 4.]]
|
||||
[[0. 6.]
|
||||
[7. 0.]]]]
|
||||
>>> print(mask)
|
||||
[[[[[1 0]
|
||||
[2 0]]
|
||||
[[2 0]
|
||||
[1 0]]]]]
|
||||
[7. 0.]]]]
|
|
@ -1,9 +1,9 @@
|
|||
mindspore.ops.Reshape
|
||||
======================
|
||||
|
||||
.. py:class:: mindspore.ops.Reshape(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Reshape()
|
||||
|
||||
基于给定的shape,使用相同的值对输入Tensor进行reshape操作。
|
||||
基于给定的shape,对输入Tensor进行重新排列。
|
||||
|
||||
`input_shape` 最多只能有一个-1,在这种情况下,它可以从剩余的维度和输入的元素个数中推断出来。
|
||||
|
||||
|
@ -18,7 +18,7 @@ mindspore.ops.Reshape
|
|||
|
||||
**异常:**
|
||||
|
||||
- **ValueError** - 给定的 `input_shape`,如果它有几个-1,或者除-1(若存在)之外的元素的乘积小于或等于0,或者无法被输入Tensor的shape的乘积相除,或者与输入的数组大小不匹配。
|
||||
- **ValueError** - 给定的 `input_shape`,如果它有多个-1,或者除-1(若存在)之外的元素的乘积小于或等于0,或者无法被输入Tensor的shape的乘积整除,或者与输入的数组大小不匹配。
|
||||
|
||||
**支持平台:**
|
||||
|
||||
|
|
|
@ -1,9 +1,9 @@
|
|||
mindspore.ops.SeLU
|
||||
==================
|
||||
|
||||
.. py:class:: mindspore.ops.SeLU(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.SeLU()
|
||||
|
||||
按元素计算输入Tensor的SeLU(scaled exponential Linear Unit)函数。
|
||||
激活函数SeLU(Scaled exponential Linear Unit)。
|
||||
|
||||
该激活函数定义为:
|
||||
|
||||
|
@ -21,7 +21,7 @@ mindspore.ops.SeLU
|
|||
|
||||
**输入:**
|
||||
|
||||
- **input_x** (Tensor) - shape为 :math:`(N, *)` 的Tensor,其中, :math:`*` 表示任意的附加维度数,数据类型为float16或float32。
|
||||
- **input_x** (Tensor) - 任意维度的Tensor,数据类型为float16或float32。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
|
@ -1,11 +1,11 @@
|
|||
mindspore.ops.Sigmoid
|
||||
=====================
|
||||
|
||||
.. py:class:: mindspore.ops.Sigmoid(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Sigmoid()
|
||||
|
||||
Sigmoid激活函数。
|
||||
|
||||
按元素计算输入的Sigmoid函数。Sigmoid函数定义为:
|
||||
逐元素计算Sgmoid激活函数。Sigmoid函数定义为:
|
||||
|
||||
.. math::
|
||||
|
||||
|
@ -15,7 +15,7 @@ mindspore.ops.Sigmoid
|
|||
|
||||
**输入:**
|
||||
|
||||
- **input_x** (Tensor) - shape为 :math:`(N, *)` 的tensor,其中, :math:`*` 表示任意的附加维度数,数据类型为float16或float32。
|
||||
- **input_x** (Tensor) - 任意维度的Tensor,数据类型为float16或float32。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
|
@ -1,15 +1,13 @@
|
|||
mindspore.ops.Size
|
||||
==================
|
||||
|
||||
.. py:class:: mindspore.ops.Size(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Size()
|
||||
|
||||
返回Tensor的大小。
|
||||
|
||||
返回一个整数Scalar,表示输入的元素大小,即Tensor中元素的总数。
|
||||
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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **input_x** (Tensor) - Tensor的shape为 :math:`(x_1, x_2, ..., x_R)` 。数据类型为Number。
|
||||
- **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/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
|
@ -1,23 +1,24 @@
|
|||
mindspore.ops.Sub
|
||||
=================
|
||||
|
||||
.. py:class:: mindspore.ops.Sub(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Sub()
|
||||
|
||||
按元素用第一个输入Tensor减去第二个输入Tensor。
|
||||
|
||||
输入 `x` 和 `y` 遵循隐式类型转换规则,使数据类型保持一致。
|
||||
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,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。
|
||||
逐元素用第一个输入Tensor减去第二个输入Tensor。
|
||||
|
||||
.. math::
|
||||
|
||||
out_{i} = x_{i} - y_{i}
|
||||
|
||||
.. note::
|
||||
- 输入 `x` 和 `y` 遵循 `隐式类型转换规则 <https://www.mindspore.cn/docs/note/zh-CN/master/operator_list_implicit.html>`_ ,使数据类型保持一致。
|
||||
- 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,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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **x** (Union[Tensor, Number, bool]) - 第一个输入,是一个Number、bool值或数据类型为Number或bool的Tensor。
|
||||
- **y** (Union[Tensor, 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或bool值,或数据类型为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/api/zh-CN/master/api_python/mindspore.html#mindspore.dtype>`_ 或 `bool_ <https://www.mindspore.cn/docs/api/zh-CN/master/api_python/mindspore.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。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
@ -25,7 +26,7 @@ mindspore.ops.Sub
|
|||
|
||||
**异常:**
|
||||
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、Number或bool。
|
||||
- **TypeError** - `x` 和 `y` 不是Tensor、number.Number或bool。
|
||||
|
||||
**支持平台:**
|
||||
|
||||
|
|
|
@ -1,9 +1,9 @@
|
|||
mindspore.ops.Tile
|
||||
===================
|
||||
|
||||
.. py:class:: mindspore.ops.Tile(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.Tile()
|
||||
|
||||
按照给定的次数复制Tensor。
|
||||
按照给定的次数复制输入Tensor。
|
||||
|
||||
通过复制 `multiples` 次 `input_x` 来创建新的Tensor。输出Tensor的第i维度有 `input_x.shape[i] * multiples[i]` 个元素,并且 `input_x` 的值沿第i维度被复制 `multiples[i]` 次。
|
||||
|
||||
|
@ -13,12 +13,12 @@ mindspore.ops.Tile
|
|||
|
||||
**输入:**
|
||||
|
||||
- **input_x** (Tensor) - 1-D或更高的Tensor。将输入Tensor的shape设置为 :math:`(x_1, x_2, ..., x_S)` 。
|
||||
- **multiples** (tuple[int]) - 输入tuple由多个整数构成,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。
|
||||
|
||||
**输出:**
|
||||
|
||||
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`。
|
||||
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)` 。
|
||||
|
|
|
@ -3,24 +3,31 @@ mindspore.ops.UniformReal
|
|||
|
||||
.. py:class:: mindspore.ops.UniformReal(seed=0, seed2=0)
|
||||
|
||||
产生随机的浮点数i,均匀分布在[0,1)范围内。
|
||||
产生随机的浮点数,均匀分布在[0,1)范围内。
|
||||
|
||||
**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。
|
||||
|
||||
.. note::
|
||||
- 随机种子:通过一些复杂的数学算法,可以得到一组有规律的随机数,而随机种子就是这个随机数的初始值。随机种子相同,得到的随机数就不会改变。
|
||||
- 全局的随机种子和算子层的随机种子都没设置:使用默认值当做随机种子。
|
||||
- 全局的随机种子设置了,算子层的随机种子未设置:随机生成一个种子和全局的随机种子拼接。
|
||||
- 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。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **shape** (tuple) - 待生成的随机Tensor的shape。只支持常量值。
|
||||
- **shape** (tuple) - 待生成的Tensor的shape。只支持常量值。
|
||||
|
||||
**输出:**
|
||||
|
||||
Tensor。它的shape为输入 `shape` 表示的值。数据类型为float32。
|
||||
Tensor。它的shape为输入 `shape`。数据类型为float32。
|
||||
|
||||
**异常:**
|
||||
|
||||
- **TypeError** - `seed` 和 `seed2` 都不是int。
|
||||
- **TypeError** - `seed` 或 `seed2` 不是int。
|
||||
- **TypeError** - `shape` 不是tuple。
|
||||
- **ValueError** - `shape` 不是常量值。
|
||||
|
||||
|
|
|
@ -1,15 +1,13 @@
|
|||
mindspore.ops.ZerosLike
|
||||
=======================
|
||||
|
||||
.. py:class:: mindspore.ops.ZerosLike(*args, **kwargs)
|
||||
.. py:class:: mindspore.ops.ZerosLike()
|
||||
|
||||
创建新的Tensor。它的所有元素的值都为0。
|
||||
|
||||
返回具有与输入Tensor相同shape和数据类型的值为0的Tensor。
|
||||
返回值为0的Tensor,其shape和数据类型与输入Tensor相同。
|
||||
|
||||
**输入:**
|
||||
|
||||
- **input_x** (Tensor) - 输入Tensor。数据类型为int32、int64、float16或float32。shape为 :math:`(N,*)` ,其中 :math:`*` 表示任意的附加维度数。
|
||||
- **input_x** (Tensor) - 任意维度的输入Tensor。数据类型为int32、int64、float16或float32。
|
||||
|
||||
**输出:**
|
||||
|
||||
|
|
Loading…
Reference in New Issue