比较与torch.empty_like的差异

查看源文件

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)