mindspore.ops.DivNoNan

class mindspore.ops.DivNoNan[源代码]

对 x1 和 x2 逐元素执行安全除法，如果 x2 的元素为0，则返回0。

x1 和 x2 的输入遵循隐式类型转换规则，使数据类型一致。 输入必须是两个Tensor或一个Tensor和一个Scalar。 当输入是两个Tensor时，它们的dtype不能同时是bool类型的，它们的shape可以广播。 当输入是一个Tensor和一个Scalar时，Scalar只能是一个常数。

\[\begin{split}output_{i} = \begin{cases} 0, & \text{ if } x2_{i} = 0\\ x1_{i} / x2_{i}, & \text{ if } x2_{i} \ne 0 \end{cases}\end{split}\]
输入：

  • x1 (Union[Tensor, number.Number, bool]) - 第一个输入是number.Number、bool或者Tensor，数据类型为 number 。

  • x2 (Union[Tensor, number.Number, bool]) - 当第一个输入是bool或数据类型为number或bool_的Tensor时，第二个输入是number.Number或bool。当第一个输入是Scalar时，第二个输入必须是数据类型为number或bool_的Tensor。

输出：

Tensor，shape与广播后的shape相同，数据类型为两个输入中精度较高或数位较高的类型。

异常：

  • TypeError - 如果 x1 和 x2 不是number.Number、bool或Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> x1 = Tensor(np.array([-1.0, 0., 1.0, 5.0, 6.0]), mindspore.float32)
>>> x2 = Tensor(np.array([0., 0., 0., 2.0, 3.0]), mindspore.float32)
>>> div_no_nan = ops.DivNoNan()
>>> output = div_no_nan(x1, x2)
>>> print(output)
[0.  0.  0.  2.5 2. ]