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.batch_dot

mindspore.ops.batch_dot(x1, x2, axes=None)

当输入的两个Tensor是批量数据时，对其进行批量点积操作。

$$output=x1[batch,:]\ast x2[batch,:]$$

参数：

• x1 (Tensor) - 第一个输入Tensor，数据类型为float32且 x1 的秩必须大于或等于2。

• x2 (Tensor) - 第二个输入Tensor，数据类型为float32。 x2 的数据类型应与 x1 相同，x2 的秩必须大于或等于2。

• axes (Union[int, tuple(int), list(int)]) - 指定为单值或长度为2的tuple和list，分别指定 a 和 b 的维度。如果传递了单个值 N，则自动从输入 a 的shape中获取最后N个维度，从输入 b 的shape中获取最后N个维度，分别作为每个维度的轴。默认值：None。

返回：

Tensor， x1 和 x2 的批量点积。例如：输入 x1 的shape为 $(batch,d1,axes,d2)$，x2 shape为 $(batch,d3,axes,d4)$，则输出shape为 $(batch,d1,d2,d3,d4)$，其中d1和d2表示任意数字。

异常：

• TypeError - x1 和 x2 的类型不相同。

• TypeError - x1 或 x2 的数据类型不是float32。

• ValueError - x1 或 x2 的秩小于2。

• ValueError - 在轴中使用了代表批量的维度。

• ValueError - axes 的长度小于2。

• ValueError - axes 不是其一：None，int，或(int, int)。

• ValueError - 如果 axes 为负值，低于输入数组的维度。

• ValueError - 如果 axes 的值高于输入数组的维度。

• ValueError - x1 和 x2 的批处理大小不相同。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore import Tensor, ops
>>> import numpy as np
>>> x1 = Tensor(np.ones(shape=[2, 2, 3]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[2, 3, 2]), mindspore.float32)
>>> axes = (-1, -2)
>>> output = ops.batch_dot(x1, x2, axes)
>>> print(output)
[[[3. 3.]
  [3. 3.]]
 [[3. 3.]
  [3. 3.]]]
>>> x1 = Tensor(np.ones(shape=[2, 2]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[2, 3, 2]), mindspore.float32)
>>> axes = (1, 2)
>>> output = ops.batch_dot(x1, x2, axes)
>>> print(output)
[[2. 2. 2.]
 [2. 2. 2.]]
>>> print(output.shape)
(2, 3)
>>> x1 = Tensor(np.ones(shape=[6, 2, 3, 4]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[6, 5, 4, 8]), mindspore.float32)
>>> output = ops.batch_dot(x1, x2)
>>> print(output.shape)
(6, 2, 3, 5, 8)
>>> x1 = Tensor(np.ones(shape=[2, 2, 4]), mindspore.float32)
>>> x2 = Tensor(np.ones(shape=[2, 5, 4, 5]), mindspore.float32)
>>> output = ops.batch_dot(x1, x2)
>>> print(output.shape)
(2, 2, 5, 5)