比较与tf.math.erf的差异

查看源文件

tf.math.erf

tf.math.erf(x, name=None) -> Tensor

更多内容详见tf.math.erf

mindspore.ops.erf

mindspore.ops.erf(x) -> Tensor

更多内容详见mindspore.ops.erf

差异对比

TensorFlow:逐元素计算 x 的高斯误差函数,即 \( \operatorname{erf}(x)=\frac{2}{\sqrt{\pi}} \int_{0}^{x} e^{-t^{2}} d t \)

MindSpore:与TensorFlow实现的功能基本一致,但支持的维度大小有差异。

分类

子类

TensorFlow

MindSpore

差异

参数

参数1

x

x

功能一致,支持的维度大小有差异

参数2

name

-

不涉及

代码示例1

TensorFlow没有限制x的维度,而MindSpore中x支持的维度必须小于8。当x的维度小于8时,两API功能一致,用法相同。

# TensorFlow
import tensorflow as tf
import numpy as np

x_ = np.ones((1, 1, 1, 1, 1, 1, 1))
x = tf.convert_to_tensor(x_, dtype=tf.float32)
out = tf.math.erf(x).numpy()
print(out)
# [[[[[[[0.8427007]]]]]]]

# MindSpore
import mindspore
from mindspore import Tensor
import mindspore.ops as ops
import numpy as np

x_ = np.ones((1, 1, 1, 1, 1, 1, 1))
x = Tensor(x_, mindspore.float32)
out = ops.erf(x)
print(out)
# [[[[[[[0.8427007]]]]]]]

代码示例2

当x的维度超过或等于8时,可以通过API组和实现同样的功能。使用ops.reshape将x的维度降为1,然后调用ops.erf进行计算,最后再次使用ops.reshape对得到的结果按照x的原始维度进行升维操作。

# TensorFlow
import tensorflow as tf
import numpy as np

x_ = np.ones((1, 1, 1, 1, 1, 1, 1, 1))
x = tf.convert_to_tensor(x_, dtype=tf.float32)
out = tf.math.erf(x).numpy()
print(out)
# [[[[[[[[0.8427007]]]]]]]]

# MindSpore
import mindspore
from mindspore import Tensor
import mindspore.ops as ops
import numpy as np

x_ = np.ones((1, 1, 1, 1, 1, 1, 1, 1))
x = Tensor(x_, mindspore.float32)
x_reshaped = ops.reshape(x, (-1,))
out_temp = ops.erf(x_reshaped)
out = ops.reshape(out_temp, x.shape)
print(out)
# [[[[[[[[0.8427007]]]]]]]]