比较与tf.clip_by_value的功能差异

tf.clip_by_value

tf.clip_by_value(t, clip_value_min, clip_value_max, name=None) -> Tensor

更多内容详见tf.clip_by_value

mindspore.ops.clip_by_value

mindspore.ops.clip_by_value(x, clip_value_min=None, clip_value_max=None) -> Tensor

更多内容详见mindspore.ops.clip_by_value

差异对比

TensorFlow:给定一个张量t,此操作返回一个类型和形状与t相同的张量。t中任何小于clip_value_min的都设置为clip_value_min,任何大于clip_value_max的值都设置为clip_value_max。当clip_value_min大于clip_value_max时,张量的值会被设置为clip_value_min

MindSpore:当clip_value_min小于等于clip_value_max时,MindSpore此API实现功能与TensorFlow基本一致。当clip_value_min大于clip_value_max时,张量元素的值会被设置为clip_value_max

分类

子类

TensorFlow

MindSpore

差异

参数

参数1

t

x

功能一致,参数名不同

参数2

clip_value_min

clip_value_min

-

参数3

clip_value_max

clip_value_max

-

参数4

name

-

不涉及

代码示例1

clip_value_min小于等于clip_value_max时,两API实现功能一致,用法相同。

# TensorFlow
import tensorflow as tf
t = tf.constant([[1., 25., 5., 7.], [4., 11., 6., 21.]])
t2 = tf.clip_by_value(t, clip_value_min=5, clip_value_max=22)
print(t2.numpy())
#[[ 5. 22.  5.  7.]
# [ 5. 11.  6. 21.]]

# MindSpore
import mindspore
from mindspore import Tensor, ops
import numpy as np
input = Tensor(np.array([[1., 25., 5., 7.], [4., 11., 6., 21.]]), mindspore.float32)
output = ops.clip_by_value(input, clip_value_min=5, clip_value_max=22)
print(output)
#[[ 5. 22.  5.  7.]
# [ 5. 11.  6. 21.]]

代码示例2

clip_value_min大于clip_value_max时,TensorFlow会将张量的值设置为clip_value_min,MindSpore会设置为clip_value_max

# TensorFlow
import tensorflow as tf
t = tf.constant([[1., 25., 5., 7.], [4., 11., 6., 21.]])
t2 = tf.clip_by_value(t, clip_value_min=22, clip_value_max=5)
print(t2.numpy())
#[[ 22. 22. 22. 22.]
# [ 22. 22. 22. 22.]]

# MindSpore
import mindspore
from mindspore import Tensor, ops
import numpy as np
input = Tensor(np.array([[1., 25., 5., 7.], [4., 11., 6., 21.]]), mindspore.float32)
output = ops.clip_by_value(input, clip_value_min=22, clip_value_max=5)
print(output)
#[[ 5. 5. 5. 5.]
# [ 5. 5. 5. 5.]]