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。

文档反馈

mindspore.Symbol

class mindspore.Symbol(max=0, min=1, divisor=1, remainder=0, unique=False, **kawgs)[源代码]

符号，用来传递张量形状的符号信息（symbolic shape）的数据结构。

对于动态shape网络，相比只设置 shape 的未知维度（ None ），提供未知维度的数学符号信息能帮助框架更好地优化计算图，提高网络执行性能。

参数：

max (int) - 最大值，表示此维度的最大长度。只有当它大于 min 值时才有效。默认值： 0 。
min (int) - 最小值，表示此维度的最小长度，要求是正数。默认值： 1 。
divisor (int) - 约数 $d$ 。默认值： 1 。
remainder (int) - 余数 $r$ 。与 divisor 一起表示符号值为 $d * N + r, N \geq 1$ 。默认值： 0 。
unique (bool) - 符号具有唯一值。当这个 Symbol 对象被 Tensor 多次引用时，如果 unique 为 True ，表示用到这个 Symbol 对象的维度的长度都相等；否则表示只共享符号信息，不一定相等。默认值： False 。

输出：

Symbol。

异常：

TypeError - 如果 max 、 min 、 divisor 、 remainder 不是整数。
TypeError - 如果 unique 不是布尔值。
ValueError - 如果 min 不是正数。
ValueError - 如果 divisor 不是正数。
ValueError - 如果 remainder 不在区间 $[0, d)$ 内。

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import nn, Tensor, Symbol
>>>
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.abs = ms.ops.Abs()
...     def construct(self, x):
...         return self.abs(x)
...
>>> net = Net()
>>> s1 = Symbol(divisor=8, remainder=1)
>>> s2 = Symbol(max=32, unique=True)
>>> dyn_t = Tensor(shape=(None, s1, s1, s2, s2), dtype=ms.float32)
>>> net.set_inputs(dyn_t)
>>> # the shape values of last two dimensions must be equal, because "s2" is set to "unique"
>>> net(Tensor(np.random.randn(1, 9, 17, 32, 32), dtype=ms.float32)).shape
(1, 9, 17, 32, 32)
>>> net(Tensor(np.random.randn(8, 25, 9, 30, 30), dtype=ms.float32)).shape
(8, 25, 9, 30, 30)