mindspore.ops.MulNoNan

class mindspore.ops.MulNoNan[源代码]

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。

xy 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

xy 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 xy 都不是Tensor。

支持平台:

Ascend GPU 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.]]