比较与torch.empty_like的差异

torch.empty_like

torch.empty_like(
    input,
    *,
    dtype=None,
    layout=None,
    device=None,
    requires_grad=False,
    memory_format=torch.preserve_format
) -> Tensor

更多内容详见torch.empty_like。

mindspore.numpy.empty_like

mindspore.numpy.empty_like(prototype, dtype=None, shape=None) -> Tensor

更多内容详见mindspore.numpy.empty_like。

差异对比

PyTorch：返回与输入大小和类型相同的未初始化张量，input只支持Tensor类型输入。

MindSpore：MindSpore此API实现功能与PyTorch基本一致，但支持的输入类型和参数名称有差异。MindSpore算子的输入名称为prototype，并支持Tensor，list，tuple三种类型的输入。此外，MindSpore该算子比PyTorch新增参数shape，实现重写结果的shape。

分类	子类	PyTorch	MindSpore	差异
输入	单输入	input	prototype	功能一致，MindSpore支持更多输入类型
参数	参数1	dtype	dtype	-
	参数2	-	shape	实现重写shape，PyTorch无此参数
	参数3	layout	-	不涉及
	参数4	device	-	不涉及
	参数5	requires_grad	-	MindSpore无此参数，默认支持反向求导
	参数6	memory_format	-	不涉及

代码示例1

对于参数shape，PyTorch的empty_like算子无此参数，MindSpore的shape参数默认值为None，通过该参数可以实现对结果shape的重写。

# PyTorch
import torch

input_torch = torch.ones((2, 3))
torch_output = torch.empty_like(input_torch)
print(list(torch_output.shape))
# [2, 3]

# MindSpore
import mindspore

input_ms = mindspore.numpy.ones((4,1,2))
ms_output = mindspore.numpy.empty_like(input_ms, shape=[2, 3])
print(ms_output.shape)
# (2, 3)

代码示例2

PyTorch的empty_like算子支持输入类型为Tensor，但MindSpore支持三种输入类型Tensor，list，tuple。在输入为数组类型时，数组在维度上必须具有相同的大小。如果输入类型不是Tensor，则默认数据类型为float32（如果未提供dtype）。

# PyTorch
import torch

input_tensor_torch = torch.ones((2, 3))
torch_output = torch.empty_like(input_tensor_torch)
print(list(torch_output.shape))
# [2, 3]

# MindSpore
import mindspore

input_tensor_ms = mindspore.numpy.ones((2, 3))
ms_tensor_output = mindspore.numpy.empty_like(input_tensor_ms)
print(ms_tensor_output.shape)
# (2, 3)

input_list_ms = [[1, 2, 3],[4, 5, 6]]
ms_list_output = mindspore.numpy.empty_like(input_list_ms)
print(ms_list_output.shape)
# (2, 3)

input_tuple_ms = ((1, 2, 3),(4, 5, 6))
ms_tuple_output = mindspore.numpy.empty_like(input_tuple_ms)
print(ms_tuple_output.shape)
# (2, 3)