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Tensor（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 \((dim_1, dim_2, act\_dim)\)。

• mask (Tensor) - OuterProductMean的mask，shape为 \((dim_1, dim_2)\)。

• 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 \((dim_2, dim_2, 1)\)。

• index (Tensor) - 在循环中的索引。默认值： None。

输出：

Tensor。OuterProductMean的输出，shape是 \((dim_2, dim_2, num\_output\_channel)\)。

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)