mindspore.ops.Div
- class mindspore.ops.Div[源代码]
逐元素计算第一输入Tensor除以第二输入Tensor的商。
\[out_{i} = \frac{x_i}{y_i}\]Note
输入 x 和 y 遵循 隐式类型转换规则 ,使数据类型保持一致。
输入必须是两个Tensor,或一个Tensor和一个Scalar。
当输入是两个Tensor时,它们的数据类型不能同时是bool,并保证其shape可以广播。
当输入是一个Tensor和一个Scalar时,Scalar只能是一个常数。
输入:
x (Union[Tensor, number.Number, bool]) - 第一个输入,是一个number.Number、bool值或数据类型为 number 或 bool_ 的Tensor。
y (Union[Tensor, number.Number, bool]) - 第二个输入,当第一个输入是Tensor时,第二个输入应该是一个number.Number或bool值,或数据类型为number或bool_的Tensor。当第一个输入是Scalar时,第二个输入必须是数据类型为number或bool_的Tensor。
输出:
Tensor,shape与输入 x,y 广播后的shape相同,数据类型为两个输入中精度较高的类型。
异常:
TypeError - x 和 y 都不是Tensor。
TypeError - x 和 y 数据类型都是bool_的Tensor。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> # case 1 :has same data type and shape of the two inputs >>> x = Tensor(np.array([-4.0, 5.0, 6.0]), mindspore.float32) >>> y = Tensor(np.array([3.0, 2.0, 3.0]), mindspore.float32) >>> div = ops.Div() >>> output = div(x, y) >>> print(output) [-1.3333334 2.5 2. ] >>> # case 2 : different data type and shape of the two inputs >>> x = Tensor(np.array([-4.0, 5.0, 6.0]), mindspore.float32) >>> y = Tensor(2, mindspore.int32) >>> output = div(x, y) >>> print(output) [-2. 2.5 3.] >>> print(output.dtype) Float32