比较与torch.ger的差异
以下映射关系均可参考本文。
PyTorch APIs |
MindSpore APIs |
---|---|
torch.ger |
mindspore.ops.ger |
torch.Tensor.ger |
mindspore.Tensor.ger |
torch.ger
torch.ger(input, vec2, *, out=None)
更多内容详见torch.ger。
mindspore.ops.ger
mindspore.ops.ger(input, other)
更多内容详见mindspore.ops.ger。
差异对比
MindSpore此API功能与PyTorch不一致。
PyTorch: 参数 input
和 vec2
支持uint, int和float下的所有数据类型,且可以是不同的数据类型,返回值的数据类型选择输入参数中范围更大的数据类型。
MindSpore: 参数 input
和 other
的数据类型支持float16/32/64,必须是相同的数据类型,返回值的数据类型和输入一致。
功能上无差异。
分类 |
子类 |
PyTorch |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数 1 |
input |
input |
PyTorch支持uint、int和float下的所有数据类型,MindSpore仅支持float16/32/64。 |
参数 2 |
vec2 |
other |
PyTorch支持uint、int和float下的所有数据类型,MindSpore仅支持float16/32/64。 |
|
参数 3 |
out |
- |
详见通用差异参数表 |
代码示例 1
输入的数据类型是int,返回值的数据类型也是int。
# PyTorch
import torch
import numpy as np
x1 = np.arange(3)
x2 = np.arange(6)
input = torch.tensor(x1, dtype=torch.int32)
other = torch.tensor(x2, dtype=torch.int32)
output = torch.ger(input, other)
print(output)
# tensor([[ 0, 0, 0, 0, 0, 0],
# [ 0, 1, 2, 3, 4, 5],
# [ 0, 2, 4, 6, 8, 10]], dtype=torch.int32)
print(output.dtype)
# torch.int32
# MindSpore目前无法支持该功能
代码示例 2
输入的数据类型是float,返回值的数据类型也是float。
# PyTorch
import torch
import numpy as np
x1 = np.arange(3)
x2 = np.arange(6)
input = torch.tensor(x1, dtype=torch.float32)
other = torch.tensor(x2, dtype=torch.float32)
output = torch.ger(input, other)
print(output)
# tensor([[ 0., 0., 0., 0., 0., 0.],
# [ 0., 1., 2., 3., 4., 5.],
# [ 0., 2., 4., 6., 8., 10.]])
print(output.dtype)
# torch.float32
# MindSpore
import mindspore as ms
import numpy as np
x1 = np.arange(3)
x2 = np.arange(6)
input = ms.Tensor(x1, ms.float32)
other = ms.Tensor(x2, ms.float32)
output = ms.ops.ger(input, other)
print(output)
# [[ 0. 0. 0. 0. 0. 0.]
# [ 0. 1. 2. 3. 4. 5.]
# [ 0. 2. 4. 6. 8. 10.]]
print(output.dtype)
# Float32