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。

PR

小问题，全程线上修改...

一键搞定！

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.ops.SparseTensorDenseMatmul

class mindspore.ops.SparseTensorDenseMatmul(adjoint_st=False, adjoint_dt=False)

稀疏矩阵 A 乘以稠密矩阵 B 。稀疏矩阵和稠密矩阵的秩必须等于2。

参数：

• adjoint_st (bool) - 如果为 True ，则在乘法之前转置稀疏矩阵 A 。默认值： False 。

• adjoint_dt (bool) - 如果为 True ，则在乘法之前转置稠密矩阵 B 。默认值： False 。

输入：

• indices (Tensor) - 二维Tensor，表示元素在稀疏Tensor中的位置。支持int32、int64，每个元素值都应该是非负的。shape是 $(n,2)$ 。

• values (Tensor) - 一维Tensor，表示 indices 位置上对应的值。支持float16、float32、float64、int32、int64、complex64、complex128。shape是 $(n,)$ 。

• sparse_shape (tuple(int) 或 Tensor) - 指定稀疏Tensor的shape，由两个正整数组成，表示稀疏Tensor的shape为 $(N,C)$ 。

• dense (Tensor) - 二维Tensor，数据类型与 values 相同。

  • 如果 adjoint_st 为 False ， adjoint_dt 为 False ，则shape必须为 $(C,M)$ 。

  • 如果 adjoint_st 为 False ， adjoint_dt 为 True ，则shape必须为 $(M,C)$ 。

  • 如果 adjoint_st 为 True ， adjoint_dt 为 False ，则shape必须为 $(N,M)$ 。

  • 如果 adjoint_st 为 True ， adjoint_dt 为 True ，则shape必须为 $(M,N)$ 。

输出：

Tensor，数据类型与 values 相同。 如果 adjoint_st 为 False ，则shape为 $(N,M)$ 。 如果 adjoint_st 为 True ，则shape为 $(C,M)$ 。

异常：

• TypeError - 如果 adjoint_st 或 adjoint_dt 的数据类型不是bool，或者 indices 、 values 、 dense 的数据类型不符合参数描述中支持的数据类型。

• ValueError - 如果 sparse_shape 、 indices 、 values 和 dense 的shape不满足参数描述中的约束条件。

支持平台：

GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor
>>> from mindspore.ops import operations as ops
>>> from mindspore import dtype as mstype
>>> indices = Tensor([[0, 1], [1, 2]], dtype=mindspore.int32)
>>> values = Tensor([1, 2], dtype=mindspore.float32)
>>> sparse_shape = (3, 4)
>>> dense = Tensor([[1, 1], [2, 2], [3, 3], [4, 4]], dtype=mindspore.float32)
>>> sparse_dense_matmul = ops.SparseTensorDenseMatmul()
>>> out = sparse_dense_matmul(indices, values, sparse_shape, dense)
>>> print(out)
[[2. 2.]
 [6. 6.]
 [0. 0.]]