mindspore.mint.lerp

mindspore.mint.lerp(input, end, weight)

基于权重参数计算两个Tensor之间的线性插值。

如果权重参数 weight 是一个Tensor，则 input 与 end 与 weight 广播后应有相同shape 。 如果权重参数 weight 是一个浮点数，则 input 与 end 广播后shape应相同。 如果权重参数 weight 是一个浮点数并且平台为Ascend, 则 input 与 end 应为float32。

警告

这是一个实验性API，后续可能修改或删除。

\[output_{i} = input_{i} + weight_{i} * (end_{i} - input_{i})\]

参数：

• input (Tensor) - 进行线性插值的Tensor开始点，其数据类型必须为float16或者float32。

• end (Tensor) - 进行线性插值的Tensor结束点，其数据类型必须与 input 一致。

• weight (Union[float, Tensor]) - 线性插值公式的权重参数。为Scalar时，其数据类型为float；为Tensor时，其数据类型为float16或者float32。

返回：

Tensor，其数据类型和维度必须和输入中的 input 保持一致。

异常：

• TypeError - 如果 input 或者 end 不是Tensor。

• TypeError - 如果 weight 不是float类型Scalar或者Tensor。

• TypeError - 如果 input 或者 end 的数据类型不是float16或者float32。

• TypeError - 如果 weight 为Tensor且 weight 不是float16或者float32。

• TypeError - 如果 input 和 end 的数据类型不一致。

• TypeError - 如果 weight 为Tensor且 input 、 end 和 weight 数据类型不一致。

• ValueError - 如果 input 与 end 的shape无法广播至一致。

• ValueError - 如果 weight 为Tensor且 weight 与 input 的shape无法广播至一致。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> start = Tensor(np.array([1., 2., 3., 4.]), mindspore.float32)
>>> end = Tensor(np.array([10., 10., 10., 10.]), mindspore.float32)
>>> output = mint.lerp(start, end, 0.5)
>>> print(output)
[5.5 6. 6.5 7. ]