mindspore.ops.MulNoNan

class mindspore.ops.MulNoNan

逐元素计算输入乘积。如果 y 为零，无论 x 取何值，它都将返回0。

x 和 y 的输入遵循隐式类型转换规则，使数据类型一致。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shape可以被广播。当输入是一个Tensor和一个Scalar时，Scalar只能是一个常量。

\[\begin{split}output_{ij} = \begin{cases} 0, & y_{ij} = 0;\\ x_{ij} * y_{ij}, & otherwise. \end{cases}\end{split}\]

Note

x 和 y 的shape应该相同，或者可以广播。如果 y 是NaN或为无限的，并且 x 是0，结果将是NaN。

输入：

• x (Union[Tensor]) - 第一个输入是Tensor，其数据类型为int32、int64、float16、float32、float64、complex64、complex128或Scalar。

• y (Union[Tensor]) - 第二个输入是Tensor，其数据类型为int32、int64、float16、float32、float64、complex64、complex128或Scalar。

输出：

Tensor，shape与广播后的shape相同，数据类型是两个输入中精度较高的类型。

异常：

• TypeError - 如果 x 和 y 都不是Tensor。

支持平台：

Ascend CPU

样例：

>>> # case 1 : same data type and shape of two inputs, there are some 0 in y.
>>> x = Tensor(np.array([[-1.0, 6.0, np.inf], [np.nan, -7.0, 4.0]]), mindspore.float32)
>>> y = Tensor(np.array([[-1.0, 4.0, 0], [0, -3.0, 1.0]]), mindspore.float32)
>>> mul_no_nan = ops.MulNoNan()
>>> output = mul_no_nan(x, y)
>>> print(output)
[[ 1. 24. 0.]
[ 0. 21. 4.]]
>>> # case 2 : the shape of two inputs is same, there are some 0 in x, y.
>>> x = Tensor(np.array([[-1.0, 6.0, 0], [0, np.nan, 4.0]]), mindspore.float32)
>>> y = Tensor(np.array([[-1.0, 4.0, np.inf], [np.nan, 0, 1.0]]), mindspore.float32)
>>> output = mul_no_nan(x, y)
>>> print(output)
[[ 1. 24. nan]
 [nan  0. 4.]]
>>> print(output.dtype)
Float32
>>> # case 3 : the y is a scalar.
>>> x = Tensor(np.array([[-1.0, 6.0, 0], [0, np.nan, 4.0]]), mindspore.float32)
>>> y = Tensor(0, mindspore.float32)
>>> output = mul_no_nan(x, y)
>>> print(output)
[[0. 0. 0.]
 [0. 0. 0.]]