文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.PReLU

class mindspore.nn.PReLU(channel=1, w=0.25)

PReLU activation function.

Applies the PReLU function element-wise.

PReLU is defined as:

$$prelu(x_i)=max(0,x_i)+w\ast min(0,x_i),$$

where $x_i$ is an element of an channel of the input.

Here $w$ is a learnable parameter with a default initial value 0.25. Parameter $w$ has dimensionality of the argument channel. If called without argument channel, a single parameter $w$ will be shared across all channels.

The picture about PReLU looks like this PReLU.

Parameters

• channel (int) – The elements number of parameter. It could be an int, and the value is 1 or the channels number of input tensor x. Default: 1.

• w (Union[float, list, Tensor]) – The initial value of parameter. It could be a float, a float list or a tensor has the same dtype as the input tensor x. Default: 0.25.

Inputs:

• x (Tensor) - The input of PReLU with data type of float16 or float32. The shape is $(N,\ast )$ where $\ast$ means, any number of additional dimensions.

Outputs:

Tensor, with the same dtype and shape as the x.

Raises

• TypeError – If channel is not an int.

• TypeError – If w is not one of a float, a float list, a float Tensor.

• TypeError – If dtype of x is neither float16 nor float32.

• ValueError – If the x is a 0-D or 1-D Tensor on Ascend.

• ValueError – If channel is less than 1.

Supported Platforms:

Ascend GPU

Examples

>>> x = Tensor(np.array([[[[0.1, 0.6], [0.9, 0.9]]]]), mindspore.float32)
>>> prelu = nn.PReLU()
>>> output = prelu(x)
>>> print(output)
[[[[0.1 0.6]
   [0.9 0.9]]]]