mindspore.ops.batch_dot

mindspore.ops.batch_dot(x1, x2, axes=None)[源代码]

当输入的两个Tensor是批量数据时，对其进行批量点积操作。

\[output = x1[batch, :]* x2[batch, :]\]

参数：

x1 (Tensor) - 第一个输入Tensor，数据类型为float32且 x1 的秩必须大于或等于2。
x2 (Tensor) - 第二个输入Tensor，数据类型为float32。 x2 的数据类型应与 x1 相同，x2 的秩必须大于或等于2。
axes (Union[int, tuple(int), list(int)]) - 指定为单值或长度为2的tuple和list，分别指定 a 和 b 的维度。如果传递了单个值 N，则自动从输入 a 的shape中获取最后N个维度，从输入 b 的shape中获取最后N个维度，分别作为每个维度的轴。默认值：None。

输出：

Tensor， x1 和 x2 的批量点积。例如：输入 x1 的shape为(batch, d1, axes, d2)，x2 shape为(batch, d3, axes, d4)，则输出shape为(batch, d1, d2, d3, d4)，其中d1和d2表示任意数字。

异常：

TypeError - x1 和 x2 的类型不相同。
TypeError - x1 或 x2 的数据类型不是float32。
ValueError - x1 或 x2 的秩小于2。
ValueError - 在轴中使用了代表批量的维度。
ValueError - axes 的长度小于2。
ValueError - axes 不是其一：None，int，或(int, int)。
ValueError - 如果 axes 为负值，低于输入数组的维度。
ValueError - 如果 axes 的值高于输入数组的维度。
ValueError - x1 和 x2 的批处理大小不相同。

支持平台：: Ascend GPU CPU

样例：

>>> from mindspore import Tensor, ops
>>> import numpy as np
>>> x1 = Tensor(np.ones(shape=[2, 2, 3]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[2, 3, 2]), mindspore.float32)
>>> axes = (-1, -2)
>>> output = ops.batch_dot(x1, x2, axes)
>>> print(output)
[[[3. 3.]
  [3. 3.]]
 [[3. 3.]
  [3. 3.]]]
>>> x1 = Tensor(np.ones(shape=[2, 2]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[2, 3, 2]), mindspore.float32)
>>> axes = (1, 2)
>>> output = ops.batch_dot(x1, x2, axes)
>>> print(output)
[[2. 2. 2.]
 [2. 2. 2.]]
>>> print(output.shape)
(2, 3)
>>> x1 = Tensor(np.ones(shape=[6, 2, 3, 4]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[6, 5, 4, 8]), mindspore.float32)
>>> output = ops.batch_dot(x1, x2)
>>> print(output.shape)
(6, 2, 3, 5, 8)
>>> x1 = Tensor(np.ones(shape=[2, 2, 4]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[2, 5, 4, 5]), mindspore.float32)
>>> output = ops.batch_dot(x1, x2)
>>> print(output.shape)
(2, 2, 5, 5)