mindspore.nn.PReLU

class mindspore.nn.PReLU(channel=1, w=0.25)[源代码]

PReLU激活层（PReLU Activation Operator）。

逐元素应用PReLU function。

公式定义为：

\[PReLU(x_i)= \max(0, x_i) + w * \min(0, x_i),\]

其中 \(x_i\) 是输入的Tensor。

这里 \(w\) 是一个可学习的参数，默认初始值0.25。

当带参数调用时每个通道上学习一个 \(w\) 。如果不带参数调用时，则将在所有通道中共享单个参数 \(w\) 。

PReLU相关图参见 PReLU 。

参数：

channel (int) - 可训练参数 \(w\) 的数量。它可以是int，值是1或输入Tensor x 的通道数。默认值：1。
w (Union[float, list, Tensor]) - 参数的初始值。它可以是float、float组成的list或与输入Tensor x 具有相同数据类型的Tensor。默认值：0.25。

输入：

x (Tensor) - PReLU的输入Tensor，其shape为 \((N, *)\) ，其中 \(*\) 表示任意的额外维度，数据类型为float16或float32。

输出：

Tensor，数据类型和shape与 x 相同。

异常：

TypeError - channel 不是int。
TypeError - w 不是float、float组成的list或float Tensor。
TypeError - x 的数据类型既不是float16也不是float32。
ValueError - x 是Ascend上的0-D或1-D Tensor。
ValueError - channel 小于1。

支持平台：

Ascend GPU CPU

样例：

>>> x = Tensor(np.array([[[[0.1, 0.6], [0.9, 0.9]]]]), mindspore.float32)
>>> prelu = nn.PReLU()
>>> output = prelu(x)
>>> print(output)
[[[[0.1 0.6]
   [0.9 0.9]]]]