文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.space_to_batch_nd

mindspore.ops.space_to_batch_nd(input_x, block_size, paddings)

将空间维度划分为对应大小的块，然后在批次维度重排Tensor。

此函数将输入的空间维度 [1, …, M] 划分为形状为 block_size 的块网格，并将这些块在批次维度上（默认是第零维）中交错排列。 输出的张量在空间维度上的截面是输入在对应空间维度上截面的一个网格，而输出的批次维度的大小为空间维度分解成块网格的数量乘以输入的批次维度的大小。 在划分成块之前，输入的空间维度会根据 paddings 填充零。 如此，假设输入的形状为 $(n,c_1,...c_k,w_1,...,w_M)$，则输出的形状为 $(n^{\prime },c_1,...c_k,w_1^{\prime },...,w_M^{\prime })$ ， 其中

$$\begin{array}{r}\begin{array}{l}\\ n^{\prime }=n\ast (block\mathrm{\_}size[0]\ast ...\ast block\mathrm{\_}size[M])\\ w_i^{\prime }=(w_i+paddings[i][0]+paddings[i][1])//block\mathrm{\_}size[i]\end{array}\end{array}$$

参数：

• input_x (Tensor) - 输入张量，Ascend平台必须为四维。

• block_size (Union[list(int), tuple(int), int]) - 块形状描述空间维度为分割的个数。如果 block_size 为list或者tuple，其长度 M 为空间维度的长度。如果 block_size 为整数，那么所有空间维度分割的个数均为 block_size 。在Ascend后端 M 必须为2。

• paddings (Union[tuple, list]) - 空间维度的填充大小。

返回：

Tensor，经过划分排列之后的结果。

异常：

• TypeError - 如果 block_size 不是 list, tuple 或者 int。

• TypeError - 如果 paddings 不是 list 或者 tuple。

• ValueError - 如果当 block_size 为 list 或 tuple， block_size 不是一维。

• ValueError - 如果 Ascend 平台上 block_size 长度不是2。

• ValueError - 如果 paddings 的形状不是 (M, 2), 其中 M 为 block_size 的长度。

• ValueError - 如果 block_size 的元素不是大于一的整数。

• ValueError - 如果 paddings 的元素不是非负的整数。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> block_size = [2, 2]
>>> paddings = [[0, 0], [0, 0]]
>>> input_x = Tensor(np.array([[[[1, 2], [3, 4]]]]), mindspore.float32)
>>> output = ops.space_to_batch_nd(input_x, block_size, paddings)
>>> print(output)
[[[[1.]]]
 [[[2.]]]
 [[[3.]]]
 [[[4.]]]]