mindspore.nn.BiDense
- class mindspore.nn.BiDense(in1_channels, in2_channels, out_channels, weight_init=None, bias_init=None, has_bias=True, dtype=mstype.float32)[源代码]
双线性全连接层。
两个输入的密集连接层。公式如下:
\[y = x_1^T A x_2 + b,\]其中 \(x_{1}\) 是第一个输入Tensor,\(x_{2}\) 是第二个输入Tensor,\(A\) 是一个权重矩阵,其数据类型与 \(x_{*}\) 相同, \(b\) 是一个偏置向量,其数据类型与 \(x_{*}\) 相同(仅当has_bias为
True
时)。- 参数:
in1_channels (int) - BiDense层第一个输入Tensor的空间维度。
in2_channels (int) - BiDense层第二个输入Tensor的空间维度。
out_channels (int) - BiDense层输出Tensor的空间维度。
weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 权重参数的初始化方法。str的值引用自函数 initializer。默认值:
None
。bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 偏置参数的初始化方法。str的值引用自函数 initializer。默认值:
None
。has_bias (bool) - 是否使用偏置向量 \(\text{bias}\) 。默认值:
True
。dtype (
mindspore.dtype
) - Parameters的dtype。默认值:mstype.float32
。
- 形状:
input1 - \((*, H_{in1})\),其中 \(H_{in1}=\text{in1_channels}\), \(*\) 为任意维度. input1除最后一维外的维度需与其他输入保持一致。
input2 - \((*, H_{in2})\),其中 \(H_{in2}=\text{in2_channels}\), \(*\) 为任意维度. input2除最后一维外的维度需与其他输入保持一致。
output - \((*, H_{out})\),其中 \(H_{out}=\text{out_channels}\), \(*\) 为任意维度. output除最后一维外的维度需与所有输入保持一致。
- 数据类型:
input1 (Tensor) - 数据类型必须为float16或float32,且与input2一致。
input2 (Tensor) - 数据类型必须为float16或float32,且与input1一致。
output (Tensor) - 数据类型与输入保持一致。
- 权重:
weight (Parameter) - 权重参数,shape为 \((\text{out_channels}, \text{in1_channels}, \text{in2_channels})\)。 当 weight_init 设为
None
时,其初始化值服从 \(\mathcal{U}(-\sqrt{k}, \sqrt{k})\),其中 \(k = \frac{1}{\text{in1_channels}}\)。bias (Parameter) - 偏置参数,shape为 \((\text{out_channels})\)。 当 has_bias 设为
True
且 bias_init 设为None
时,其初始化值服从 \(\mathcal{U}(-\sqrt{k}, \sqrt{k})\),其中 \(k = \frac{1}{\text{in1_channels}}\)。
- 异常:
TypeError - in_channels 或 out_channels 不是整数。
TypeError - has_bias 不是bool值。
ValueError - weight_init 的shape长度不等于3,weight_init 的shape[0]不等于 out_channels,或者 weight_init 的shape[1]不等于 in1_channels,或者 weight_init 的shape[2]不等于 in2_channels。
ValueError - bias_init 的shape长度不等于1或 bias_init 的shape[0]不等于 out_channels。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> from mindspore import Tensor, nn >>> import numpy as np >>> x1 = Tensor(np.random.randn(128, 20), mindspore.float32) >>> x2 = Tensor(np.random.randn(128, 30), mindspore.float32) >>> net = nn.BiDense(20, 30, 40) >>> output = net(x1, x2) >>> print(output.shape) (128, 40)