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

mindsponge.cell.OuterProductMean

class mindsponge.cell.OuterProductMean(num_outer_channel, act_dim, num_output_channel, batch_size=None, slice_num=0)

通过外积平均计算输入张量（act）在第二维上的相关性，得到的相关性可以用于更新相关特征（如Pair特征）。

$$OuterProductMean(\mathbf{act})=Linear(flatten(mean(\mathbf{act}\otimes \mathbf{act})))$$

参数：

• num_outer_channel (float) - OuterProductMean中间层的通道数量。

• act_dim (int) - 输入act的最后一维的长度。

• num_output_channel (int) - 输出的通道数量。

• batch_size (int) - OuterProductMean中的参数的batch size，应用while控制流时需要设置该变量， 默认值：”None”。

• slice_num (int) - 当内存超出上限时使用的切分数量。默认值：0。

输入：

• act (Tensor) - 维度为 $(di{m}_1,di{m}_2,act\mathrm{\_}dim)$。

• mask (Tensor) - OuterProductMean的mask，shape为 $(di{m}_1,di{m}_2)$。

• mask_norm (Tensor) - mask沿第一根轴的L2-norm的平方，预先计算避免在循环重复计算。shape为 $(di{m}_2,di{m}_2,1)$。

• index (Tensor) - 在循环中的索引。默认值：”None”。

输出：

Tensor。OuterProductMean的输出，shape是 $(di{m}_2,di{m}_2,num\mathrm{\_}output\mathrm{\_}channel)$。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindsponge.cell import OuterProductMean
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> from mindspore.ops import operations as P
>>> model = OuterProductMean(num_outer_channel=32, act_dim=128, num_output_channel=256)
>>> act = Tensor(np.ones((32, 64, 128)), mstype.float32)
>>> mask = Tensor(np.ones((32, 64)), mstype.float32)
>>> mask_norm = P.ExpandDims()(P.MatMul(transpose_a=True)(mask, mask), -1)
>>> output= model(act, mask, mask_norm)
>>> print(output.shape)
(64, 64, 256)