比较与torch.cat的差异
torch.cat
torch.cat(
tensors,
dim=0,
*,
out=None
) -> Tensor
更多内容详见torch.cat。
mindspore.ops.cat
mindspore.ops.cat(tensors, axis=0) -> Tensor
更多内容详见mindspore.ops.cat。
差异对比
MindSpore此API功能与PyTorch一致。
PyTorch:在指定轴上拼接输入Tensors。输入Tensors的精度不一致时,低精度Tensor会自动转成高精度Tensor。
MindSpore:当前要求输入Tensors的数据类型及精度保持一致。在输入Tensor的精度不一致时,可通过ops.cast把低精度Tensor转成高精度Tensor再调用concat算子。
分类 |
子类 |
PyTorch |
MindSpore |
差异 |
---|---|---|---|---|
输入 |
单输入 |
tensors |
tensors |
MindSpore中tensors序列中的各Tensor精度必须保持一致,PyTorch中tensors序列中的各Tensor的精度可以不同 |
参数 |
参数1 |
dim |
axis |
参数名不一致 |
参数2 |
out |
- |
详见通用差异参数表 |
代码示例
MindSpore当前要求输入Tensors的数据类型及精度保持一致,若不一致时可通过ops.cast把低精度Tensor转成高精度Tensor再调用concat算子。
# PyTorch
import torch
torch_x1 = torch.Tensor([[0, 1], [2, 3]]).type(torch.float32)
torch_x2 = torch.Tensor([[0, 1], [2, 3]]).type(torch.float32)
torch_x3 = torch.Tensor([[0, 1], [2, 3]]).type(torch.float16)
torch_output = torch.cat((torch_x1, torch_x2, torch_x3))
print(torch_output.numpy())
# [[0. 1.]
# [2. 3.]
# [0. 1.]
# [2. 3.]
# [0. 1.]
# [2. 3.]]
# MindSpore
import mindspore
import numpy as np
from mindspore import Tensor
# In MindSpore,converting low precision to high precision is needed before cat.
ms_x1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
ms_x2 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
ms_x3 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float16))
ms_x3 = mindspore.ops.cast(ms_x2, mindspore.float32)
output = mindspore.ops.cat((ms_x1, ms_x2, ms_x3))
print(output)
# [[0. 1.]
# [2. 3.]
# [0. 1.]
# [2. 3.]
# [0. 1.]
# [2. 3.]]