mindspore.ops.lerp

mindspore.ops.lerp(input, end, weight)[源代码]

基于权重参数计算两个Tensor之间的线性插值。

如果权重参数 weight 是一个Tensor,则各输入广播后应有相同shape 。 如果权重参数 weight 是一个浮点数,则 inputend 广播后shape应相同。

\[output_{i} = input_{i} + weight_{i} * (end_{i} - input_{i})\]
参数:
  • input (Tensor) - 进行线性插值的Tensor开始点,其数据类型必须为float16或者float32。

  • end (Tensor) - 进行线性插值的Tensor结束点,其数据类型必须与 input 一致。

  • weight (Union[float, Tensor]) - 线性插值公式的权重参数。为Scalar时,其数据类型为float。为Tensor时,其数据类型为float16或者float32。

返回:

Tensor,其数据类型和维度必须和输入中的 input 保持一致。

异常:
  • TypeError - 如果 input 或者 end 不是Tensor。

  • TypeError - 如果 weight 不是float类型Scalar或者Tensor。

  • TypeError - 如果 input 或者 end 的数据类型不是float16或者float32。

  • TypeError - 如果 weight 为Tensor且 weight 不是float16或者float32。

  • TypeError - 如果 inputend 的数据类型不一致。

  • TypeError - 如果 weight 为Tensor且 inputendweight 数据类型不一致。

  • ValueError - 如果 inputend 的shape无法广播至一致。

  • ValueError - 如果 weight 为Tensor且 weightinput 的shape无法广播至一致。

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> input = Tensor(np.array([1., 2., 3., 4.]), mindspore.float32)
>>> end = Tensor(np.array([10., 10., 10., 10.]), mindspore.float32)
>>> output = ops.lerp(input, end, 0.5)
>>> print(output)
[5.5 6. 6.5 7. ]