mindspore.ops.lerp
- mindspore.ops.lerp(input, end, weight)[源代码]
基于权重参数计算两个Tensor之间的线性插值。
如果权重参数 weight 是一个Tensor,则各输入广播后应有相同shape 。 如果权重参数 weight 是一个浮点数,则 input 与 end 广播后shape应相同。
\[output_{i} = input_{i} + weight_{i} * (end_{i} - input_{i})\]- 参数:
input (Tensor) - 进行线性插值的Tensor开始点,其数据类型必须为float16或者float32。
end (Tensor) - 进行线性插值的Tensor结束点,其数据类型必须与 input 一致。
weight (Union[float, Tensor]) - 线性插值公式的权重参数。为Scalar时,其数据类型为float。为Tensor时,其数据类型为float16或者float32。
- 返回:
Tensor,其数据类型和维度必须和输入中的 input 保持一致。
- 异常:
TypeError - 如果 input 或者 end 不是Tensor。
TypeError - 如果 weight 不是float类型Scalar或者Tensor。
TypeError - 如果 input 或者 end 的数据类型不是float16或者float32。
TypeError - 如果 weight 为Tensor且 weight 不是float16或者float32。
TypeError - 如果 input 和 end 的数据类型不一致。
TypeError - 如果 weight 为Tensor且 input 、 end 和 weight 数据类型不一致。
ValueError - 如果 input 与 end 的shape无法广播至一致。
ValueError - 如果 weight 为Tensor且 weight 与 input 的shape无法广播至一致。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, ops >>> input = Tensor(np.array([1., 2., 3., 4.]), mindspore.float32) >>> end = Tensor(np.array([10., 10., 10., 10.]), mindspore.float32) >>> output = ops.lerp(input, end, 0.5) >>> print(output) [5.5 6. 6.5 7. ]