mindflow.cell.MultiScaleFCSequential

class mindflow.cell.MultiScaleFCSequential(in_channels, out_channels, layers, neurons, residual=True, act='sin', weight_init='normal', weight_norm=False, 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)

多尺度的全连接神经网络。

参数：

• in_channels (int) - 输入中的通道数。

• out_channels (int) - 输出中的通道数。

• 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) - 隐藏层的残差块的全连接。默认值： True。

• act (Union[str, Cell, Primitive, None]) - 激活应用于全连接层输出的函数，例如 "ReLU"。默认值： "sin"。

• weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 可训练的初始权重值。数据类型与输入 input 相同。str的值引用函数 initializer 。默认值： "normal"。

• weight_norm (bool) - 是否计算权重的平方和。默认值： False。

• 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。数据类型与输入 input 相同。str的值引用函数 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翻译。默认值： None。

• latent_vector (Union[Parameter, None]) - 将与采样输入连接的可训练的parameter并在训练期间更新。默认值： None。

输入：

• input (Tensor) - shape为 \((*, in\_channels)\) 的Tensor。

输出：

shape为 \((*, out\_channels)\) 的Tensor。

异常：

• TypeError - 如果 num_scales 不是int类型。

• TypeError - 如果 amp_factor 不是int及或者float类型。

• TypeError - 如果 scale_factor 不是int及或者float类型。

• TypeError - 如果 latent_vector 不是Parameter类型或者 None。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindflow.cell import MultiScaleFCSequential
>>> 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 = MultiScaleFCSequential(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)