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.nn.BiDense

class mindspore.nn.BiDense(in1_channels, in2_channels, out_channels, weight_init=None, bias_init=None, has_bias=True, dtype=mstype.float32)

双线性全连接层。

两个输入的密集连接层。公式如下：

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

其中 $x_1$ 是第一个输入Tensor，$x_2$ 是第二个输入Tensor，$A$ 是一个权重矩阵，其数据类型与 $x_{\ast }$ 相同， $b$ 是一个偏置向量，其数据类型与 $x_{\ast }$ 相同（仅当has_bias为 True 时）。

参数：

• in1_channels (int) - BiDense层第一个输入Tensor的空间维度。

• in2_channels (int) - BiDense层第二个输入Tensor的空间维度。

• out_channels (int) - BiDense层输出Tensor的空间维度。

• weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 权重参数的初始化方法。str的值引用自函数 initializer。默认值： None 。

• bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 偏置参数的初始化方法。str的值引用自函数 initializer。默认值： None 。

• has_bias (bool) - 是否使用偏置向量 $\text{bias}$ 。默认值： True 。

• dtype (mindspore.dtype) - Parameters的dtype。默认值： mstype.float32 。

形状：

• input1 - $(\ast ,H_{in1})$，其中 $H_{in1}=\text{in1\_channels}$， $\ast$ 为任意维度. input1除最后一维外的维度需与其他输入保持一致。

• input2 - $(\ast ,H_{in2})$，其中 $H_{in2}=\text{in2\_channels}$， $\ast$ 为任意维度. input2除最后一维外的维度需与其他输入保持一致。

• output - $(\ast ,H_{out})$，其中 $H_{out}=\text{out\_channels}$， $\ast$ 为任意维度. output除最后一维外的维度需与所有输入保持一致。

数据类型：

• input1 (Tensor) - 数据类型必须为float16或float32，且与input2一致。

• input2 (Tensor) - 数据类型必须为float16或float32，且与input1一致。

• output (Tensor) - 数据类型与输入保持一致。

权重：

• weight (Parameter) - 权重参数，shape为 $(\text{out\_channels},\text{in1\_channels},\text{in2\_channels})$。 当 weight_init 设为 None 时，其初始化值服从 $\mathcal{U}(-\sqrt{k},\sqrt{k})$，其中 $k=\frac{1}{\text{in1\_channels}}$。

• bias (Parameter) - 偏置参数，shape为 $(\text{out\_channels})$。 当 has_bias 设为 True 且 bias_init 设为 None 时，其初始化值服从 $\mathcal{U}(-\sqrt{k},\sqrt{k})$，其中 $k=\frac{1}{\text{in1\_channels}}$。

异常：

• TypeError - in_channels 或 out_channels 不是整数。

• TypeError - has_bias 不是bool值。

• ValueError - weight_init 的shape长度不等于3，weight_init 的shape[0]不等于 out_channels，或者 weight_init 的shape[1]不等于 in1_channels，或者 weight_init 的shape[2]不等于 in2_channels。

• ValueError - bias_init 的shape长度不等于1或 bias_init 的shape[0]不等于 out_channels。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> x1 = Tensor(np.random.randn(128, 20), mindspore.float32)
>>> x2 = Tensor(np.random.randn(128, 30), mindspore.float32)
>>> net = nn.BiDense(20, 30, 40)
>>> output = net(x1, x2)
>>> print(output.shape)
(128, 40)