文档反馈mindelec.architecture.MultiScaleFCCell
- class mindelec.architecture.MultiScaleFCCell(in_channel, out_channel, layers, neurons, residual=True, act='sin', weight_init='normal', has_bias=True, bias_init='default', num_scales=4, amp_factor=1.0, scale_factor=2.0, input_scale=None, input_center=None, latent_vector=None)[源代码]
多尺度神经网络。
- 参数：
in_channel (int) - 输入空间中的通道数。
out_channel (int) - 输出空间中的通道数。
layers (int) - 层总数，包括输入/隐藏/输出层。
neurons (int) - 隐藏层的神经元数量。
residual (bool) - 隐藏层的残差块是否为全连接。默认值：
True。act (Union[str, Cell, Primitive, None]) - 应用于全连接层输出的激活函数，例如
"ReLU"。默认值："sin"。weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 可训练的初始权重值。dtype与输入 input 相同。str的值可参考函数 mindspore.common.initializer。默认值：
"normal"。has_bias (bool) - 指定图层是否使用偏置向量。默认值：
True。bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 可训练的初始偏差值。dtype为与输入 input 相同。str的值可参考函数 mindspore.common.initializer。默认值：
"default"。num_scales (int) - 多规模网络的子网号。默认值：
4。amp_factor (Union[int, float]) - 输入的放大系数。默认值：
1.0。scale_factor (Union[int, float]) - 基本比例因子。默认值：
2.0。input_scale (Union[list, None]) - 输入x/y/t的比例因子。如果不是
None，则输入将在网络中设置之前缩放。默认值：None。input_center (Union[list, None]) - 坐标转换的中心位置。如果不是
None，则输入将在网络中设置之前转换。默认值：None。latent_vector (Union[Parameter, None]) - 与采样输入连接，并在训练期间更新的可训练参数。默认值：
None。
- 输入：
input (Tensor) - shape为
- 输出：
shape为
- 异常：
TypeError - 如果 num_scales 不是int。
TypeError - 如果 amp_factor 既不是int也不是float。
TypeError - 如果 scale_factor 既不是int也不是float。
TypeError - 如果 latent_vector 既不是Parameter，也不是
None。
- 支持平台：
Ascend
样例：
>>> import numpy as np >>> from mindelec.architecture import MultiScaleFCCell >>> from mindspore import Tensor, Parameter >>> inputs = np.ones((64,3)) + 3.0 >>> inputs = Tensor(inputs.astype(np.float32)) >>> num_scenarios = 4 >>> latent_size = 16 >>> latent_init = np.ones((num_scenarios, latent_size)).astype(np.float32) >>> latent_vector = Parameter(Tensor(latent_init), requires_grad=True) >>> input_scale = [1.0, 2.0, 4.0] >>> input_center = [3.5, 3.5, 3.5] >>> net = MultiScaleFCCell(3, 3, 5, 32, ... weight_init="ones", bias_init="zeros", ... input_scale=input_scale, input_center=input_center, latent_vector=latent_vector) >>> output = net(inputs).asnumpy() >>> print(output.shape) (64, 3)
