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.numpy.correlate

mindspore.numpy.correlate(a, v, mode='valid')

两个一维序列的互相关。

函数根据信号处理教材中通常定义的方式计算相关性： $c_{av}[k]=\sum _{n}a[n+k]\ast conj(v[n])$ 。

其中，序列 a 和 v 在必要时将进行零填充， conj 为共轭。

说明

• correlate 目前仅用于 mindscience 科学计算场景， 并不支持其他使用场景。

• correlate 还未在Windows平台上得到支持。

参数：

• a (Union[list, tuple, Tensor]) - 第一个输入序列。

• v (Union[list, tuple, Tensor]) - 第二个输入序列。

• mode (str, 可选) - 指定的填充模式。 可选值： "same" 、 "valid" 、 "full" 。 默认值： "valid" 。

  "same" ：返回的输出长度为 $max(M,N)$ 。 仍然可见边界效应。

  "valid" ：返回的输出长度为 $max(M,N)-min(M,N)-1$ 。 卷积乘积仅在信号完全重叠的点给出。 信号边界外的值不产生效果。

  "full" ：在每个重叠点返回卷积，输出的shape为 $(N+M-1)$。 在卷积的端点，信号不完全重叠，可能会看到边界效应。

返回：

Tensor， a 和 v 的离散互相关。

异常：

• TypeError - 如果 a 或 v 不是Tensor。

• TypeError - 如果 a 和 v 的类型不同。

• ValueError - 如果 a 和 v 为空或维数错误。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore.numpy as mnp
>>> from mindspore import Tensor
>>> output = mnp.correlate(Tensor([1., 2., 3.]), Tensor([0., 1., 0.5]))
>>> print(output)
[3.5]
>>> output = mnp.correlate(Tensor([1., 2., 3.]), Tensor([0., 1., 0.5]), mode="same")
>>> print(output)
[2.  3.5 3. ]
>>> output = mnp.correlate(Tensor([1., 2., 3., 4., 5.]), Tensor([1., 2.]), mode="full")
>>> print(output)
[ 2.  5.  8. 11. 14.  5.]