mindspore.ops.broadcast_to

mindspore.ops.broadcast_to(input, shape)[源代码]

将输入shape广播到目标shape。输入shape维度必须小于等于目标shape维度,设输入shape为 \((x_1, x_2, ..., x_m)\),目标shape为 \((*, y_1, y_2, ..., y_m)\),其中 \(*\) 为任意额外的维度。广播规则如下:

依次比较 \(x_m\)\(y_m\)\(x_{m-1}\)\(y_{m-1}\) 、…、 \(x_1\)\(y_1\) 的值确定是否可以广播以及广播后输出shape对应维的值。

  • 如果相等,则这个值即为目标shape该维的值。比如说输入shape为 \((2, 3)\) ,目标shape为 \((2, 3)\) ,则输出shape为 \((2, 3)\)

  • 如果不相等,分以下三种情况:

    • 情况一:如果目标shape该维的值为-1,则输出shape该维的值为对应输入shape该维的值。比如说输入shape为 \((3, 3)\) ,目标shape为 \((-1, 3)\) ,则输出shape为 \((3, 3)\)

    • 情况二:如果目标shape该维的值不为-1,但是输入shape该维的值为1,则输出shape该维的值为目标shape该维的值。比如说输入shape为 \((1, 3)\) ,目标shape为 \((8, 3)\) ,则输出shape为 \((8, 3)\)

    • 情况三:如果两个shape对应值不满足以上情况则说明不支持由输入shape广播到目标shape。

至此输出shape后面m维就确定好了,现在看一下前面 \(*\) 维,有以下两种情况:

  • 如果额外的 \(*\) 维中不含有-1,则输入shape从低维度补充维度使之与目标shape维度一致,比如说目标shape为 \((3, 1, 4, 1, 5, 9)\) ,输入shape为 \((1, 5, 9)\) ,则输入shape增维变成 \((1, 1, 1, 1, 5, 9)\),根据上面提到的情况二可以得出输出shape为 \((3, 1, 4, 1, 5, 9)\)

  • 如果额外的 \(*\) 维中含有-1,说明此时该-1对应一个不存在的维度,不支持广播。比如说目标shape为 \((3, -1, 4, 1, 5, 9)\) ,输入shape为 \((1, 5, 9)\) ,此时不进行增维处理,而是直接报错。

参数:
  • input (Tensor) - 第一个输入,任意维度的Tensor。

  • shape (tuple) - 第二个输入,指定广播到目标 shape

返回:

Tensor,shape与目标 shape 相同,数据类型与 input 相同。

异常:
  • TypeError - shape 不是tuple。

  • ValueError - 输入shape 无法广播到目标 shape ,或者目标 shape 中的-1维度位于一个无效位置。

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> shape = (2, 3)
>>> x = Tensor(np.array([1, 2, 3]).astype(np.float32))
>>> output = ops.broadcast_to(x, shape)
>>> print(output)
[[1. 2. 3.]
[1. 2. 3.]]
>>> shape = (-1, 2)
>>> x = Tensor(np.array([[1], [2]]).astype(np.float32))
>>> output = ops.broadcast_to(x, shape)
>>> print(output)
[[1. 1.]
[2. 2.]]