mindspore.ops.PReLU

class mindspore.ops.PReLU[源代码]

带参数的线性修正单元激活函数（Parametric Rectified Linear Unit activation function）。

Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification 描述了PReLU激活函数。定义如下：

\[prelu(x_i)= \max(0, x_i) + \min(0, w * x_i)，\]

其中 \(x_i\) 是输入的一个通道的一个元素，w 是通道权重。

Note

Ascend不支持标量和1维向量的输入x。

输入：

x (Tensor) - 激活函数的输入Tensor。数据类型为float16或float32。shape为 \((N, C, *)\) ，其中 \(*\) 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 mindspore.nn.PReLU 。

异常：

TypeError - x 或 weight 的数据类型既不是float16也不是float32。
TypeError - x 或 weight 不是Tensor。
ValueError - x 是Ascend上的0-D或1-D Tensor。
ValueError - weight 不是1-D Tensor。

支持平台：: Ascend GPU

样例：

>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.prelu = ops.PReLU()
...     def construct(self, x, weight):
...         result = self.prelu(x, weight)
...         return result
...
>>> x = Tensor(np.arange(-6, 6).reshape((2, 3, 2)), mindspore.float32)
>>> weight = Tensor(np.array([0.1, 0.6, -0.3]), mindspore.float32)
>>> net = Net()
>>> output = net(x, weight)
>>> print(output)
[[[-0.60 -0.50]
  [-2.40 -1.80]
  [ 0.60  0.30]]
 [[ 0.00  1.00]
  [ 2.00  3.00]
  [ 4.0   5.00]]]