文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.addr

mindspore.ops.addr(x, vec1, vec2, *, beta=1, alpha=1)

计算 vec1 和 vec2 的外积，并将其添加到 x 中。

如果 vec1 是一个大小为 $N$ 的向量， vec2 是一个大小为 $M$ 的向量，那么 x 必须可以和大小为 $(N,M)$ 的矩阵广播。

可选值 bata 和 alpha 分别是 vec1 和 vec2 外积以及附加矩阵 x 的扩展因子。如果 beta 为0，那么 x 将不参与计算。

$$output=\beta x+\alpha (vec1\otimes vec2)$$

参数：

• x (Tensor) - 需要相加的向量。Tensor的shape是 $(N,M)$ 。

• vec1 (Tensor) - 第一个需要相乘的Tensor，shape大小为 $(N,)$ 。

• vec2 (Tensor) - 第二个需要相乘的Tensor，shape大小为 $(M,)$ 。

关键字参数：

• beta (scalar[int, float, bool], 可选) - x (β)的乘数。 beta 必须是int或float或bool类型，默认值：1。

• alpha (scalar[int, float, bool], 可选) - vec1 ⊗ vec2 (α)的乘数。 alpha 必须是int或float或bool类型，默认值：1。

返回：

Tensor，shape大小为 $(N,M)$ ，数据类型与 x 相同。

异常：

• TypeError - x 、 vec1 、 vec2 不是Tensor。

• TypeError - vec1 、 vec2 的数据类型不一致。

• ValueError - 如果 vec1 ， vec2 不是一个一维Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> x = Tensor(np.array([[2., 2.], [3., 2.], [3., 4.]], np.float32))
>>> vec1 = Tensor(np.array([2., 3., 2.], np.float32))
>>> vec2 = Tensor(np.array([3, 4], np.float32))
>>> output = ops.addr(x, vec1, vec2)
>>> print(output)
[[ 8. 10.]
 [12. 14.]
 [ 9. 12.]]