文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.bidense

mindspore.ops.bidense(input1, input2, weight, bias=None)

对输入 input1 和 input2 应用双线性全连接操作。双线性全连接函数定义如下，

$$output=x_1^{T}A{x}_2+b$$

其中， $x_1$ 代表 input1 ， $x_2$ 代表 input2 ， $A$ 代表 weight ， $b$ 代表 bias 。

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input1 (Tensor) - 输入Tensor，shape是 $(\ast ,in1\mathrm{\_}channels)$ ，其中 $\ast$ 表示任意的附加维度，除最后一维外的维度与 input2 保持一致。

• input2 (Tensor) - 输入Tensor，shape是 $(\ast ,in2\mathrm{\_}channels)$ ，其中 $\ast$ 表示任意的附加维度，除最后一维外的维度与 input1 保持一致。

• weight (Tensor) - 输入Tensor的权重，shape是 $(out\mathrm{\_}channels,in1\mathrm{\_}channels,in2\mathrm{\_}channels)$ 。

• bias (Tensor，可选) - 添加在输出结果的偏差，shape是 $(out\mathrm{\_}channels)$ 或 $()$ 。默认值：None ，偏差为0。

返回：

Tensor，shape是 $(\ast ,out\mathrm{\_}channels)$ ，其中 $\ast$ 表示任意的附加维度。输出Tensor除最后一维外其他维度与所有输入Tensor保持一致。

异常：

• TypeError - input1 不是Tensor。

• TypeError - input2 不是Tensor。

• TypeError - weight 不是Tensor。

• TypeError - bias 不是Tensor。

• ValueError - 如果除了最后一维，input1 其他维度与 input2 有不同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, ops
>>> input1 = mindspore.Tensor([[-1.1283, 1.2603],
...                            [0.0214, 0.7801],
...                            [-1.2086, 1.2849]], mindspore.float32)
>>> input2 = mindspore.Tensor([[-0.4631, 0.3238, 0.4201],
...                            [0.6215, -1.0910, -0.5757],
...                            [-0.7788, -0.0706, -0.7942]], mindspore.float32)
>>> weight = mindspore.Tensor([[[-0.3132, 0.9271, 1.1010],
...                             [0.6555, -1.2162, -0.2987]],
...                            [[1.0458, 0.5886, 0.2523],
...                             [-1.3486, -0.8103, -0.2080]],
...                            [[1.1685, 0.5569, -0.3987],
...                             [-0.4265, -2.6295, 0.8535]],
...                            [[0.6948, -1.1288, -0.6978],
...                             [0.3511, 0.0609, -0.1122]]], mindspore.float32)
>>> output = ops.bidense(input1, input2, weight)
>>> print(output)
[[-2.0612743 0.5581219 0.22383511 0.8667302]
 [1.4476739 0.12626505 1.6552988 0.21297503]
 [0.6003161 2.912046 0.5590313 -0.35449564]]