比较与tf.eye的功能差异

tf.eye

tf.eye(
    num_rows,
    num_columns=None,
    batch_shape=None,
    dtype=tf.dtypes.float32,
    name=None
) -> Tensor

更多内容详见tf.eye。

mindspore.ops.eye

mindspore.ops.eye(n, m, t) -> Tensor

更多内容详见mindspore.ops.eye。

差异对比

TensorFlow：TensorFlow中可以在参数中接受batch_shape，使输出具有这样的形状。

MindSpore：列数和数据类型不可缺省，功能上无差异。

分类	子类	TensorFlow	MindSpore	差异
参数	参数1	num_rows	n	功能一致，参数名不同
	参数2	num_columns	m	指定张量的列数。TensorFlow中是可选的，如果没有该参数，那么返回一个列数和行数相同的张量；MindSpore中是必须的
	参数3	batch_shape	-	使输出具有指定的形状，MindSpore无此参数。如`batch_shape=[3]`
	参数4	dtype	t	名称不同，TensorFlow中是可选的，如果没有默认为`tf.dtypes.float32`；MindSpore中是必须的
	参数5	name	-	不涉及

差异分析与示例

代码示例1

TensorFlow可以缺省num_columns，MindSpore不可以缺省。

# TensorFlow
import tensorflow as tf

e1 = tf.eye(3)
print(e1.numpy())
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

# MindSpore
import mindspore
import mindspore.ops as ops
e1 = ops.eye(3, 3, mindspore.float32)
print(e1.numpy())
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

代码示例2

TensorFlow可以缺省dtype，MindSpore不可以缺省。

# TensorFlow
import tensorflow as tf
e2 = tf.eye(3, 2)
print(e2.numpy())
# [[1. 0.]
#  [0. 1.]
#  [0. 0.]]

# MindSpore
import mindspore
import mindspore.ops as ops
e2 = ops.eye(3, 2, mindspore.float32)
print(e2)
# [[1. 0.]
#  [0. 1.]
#  [0. 0.]]