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。

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.broadcast_to

mindspore.ops.broadcast_to(input, shape)

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 $(\ast ,y_1,y_2,...,y_m)$，其中 $\ast$ 为任意额外的维度。广播规则如下：

依次比较 $x_m$ 与 $y_m$ 、 $x_{m-1}$ 与 $y_{m-1}$ 、…、 $x_1$ 与 $y_1$ 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 $\ast$ 维，有以下两种情况：

• 如果额外的 $\ast$ 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 $\ast$ 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.]]