mindspore.ops.trapz

mindspore.ops.trapz(y, x=None, *, dx=1.0, dim=- 1)

使用梯形法则沿给定轴 dim 对 y(x) 进行积分。 默认情况下，元素之间的 x 轴距离将被设定为1，或者它们可以由数组 x 或者标量 dx 提供。

\[\mathop{ \int }\nolimits_{{}}^{{}}{y}{ \left( {x} \right) } \text{d} x\]

参数：

• y (Tensor) - 要积分的Tensor。

• x (Tensor，可选) - 对应于 y 值的样本点。如果 x 为 None ，则采样点均匀间隔 dx ，默认值： None 。如果 x 不为 None ，则由 dim 指定的轴减去1后， x 的形状应与 y 相同或者可以广播到 y 。

关键字参数：

• dx (float，可选) - 当 x 为None时，采样点之间的间距。如果 x 被指定，则 dx 不生效。默认值： 1.0 。

• dim (int，可选) - 进行积分的维度。默认值： -1 。

返回：

浮点类型Tenor，用梯形规则近似的定积分。如果 y 是一维数组，则结果是浮点数。如果 y 是n维数组，结果是一个N-1维数组。

异常：

• RuntimeError - 如果 x 维度为1且x.shape[0]不等于y.shape[dim]。

• ValueError - 如果 dim 不在 \([-y.ndim, y.ndim)\) 范围内。

• TypeError - 如果 y 不是Tensor。

• TypeError - 如果 x 不为None的同时不是Tensor。

• TypeError - 如果 dx 不是浮点数。

• TypeError - 如果 dim 不是整数。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> y = Tensor(np.array([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]]).astype(np.float32))
>>> x = Tensor(np.array([[1, 2, 3], [1, 3, 5], [1, 4, 7]]).astype(np.float32))
>>> output = ops.trapz(y, x)
>>> print(output)
[2. 4. 6.]