代码拉取完成,页面将自动刷新
class torch.nn.Linear(
in_features,
out_features,
bias=True
)(input) -> Tensor
更多内容详见torch.nn.Linear。
class mindspore.nn.Dense(
in_channels,
out_channels,
weight_init='normal',
bias_init='zeros',
has_bias=True,
activation=None
)(x) -> Tensor
更多内容详见mindspore.nn.Dense。
PyTorch:全连接层,实现矩阵相乘的运算。
MindSpore:MindSpore此API实现功能与PyTorch基本一致,而且可以在全连接层后添加激活函数。
分类 | 子类 | PyTorch | MindSpore | 差异 |
---|---|---|---|---|
参数 | 参数1 | in_features | in_channels | 功能一致,参数名不同 |
参数2 | out_features | out_channels | 功能一致,参数名不同 | |
参数3 | bias | has_bias | 功能一致,参数名不同 | |
参数4 | - | weight_init | 权重参数的初始化方法,PyTorch无此参数 | |
参数5 | - | bias_init | 偏置参数的初始化方法,PyTorch无此参数 | |
参数6 | - | activation | 应用于全连接层输出的激活函数,PyTorch无此参数 | |
输入 | 单输入 | input | x | 功能一致,参数名不同 |
两API实现功能一致,用法相同。
# PyTorch
import torch
from torch import nn
import numpy as np
net = nn.Linear(3, 4)
x = torch.tensor(np.array([[180, 234, 154], [244, 48, 247]]), dtype=torch.float)
output = net(x)
print(output.detach().numpy().shape)
# (2, 4)
# MindSpore
import mindspore
from mindspore import Tensor, nn
import numpy as np
x = Tensor(np.array([[180, 234, 154], [244, 48, 247]]), mindspore.float32)
net = nn.Dense(3, 4)
output = net(x)
print(output.shape)
# (2, 4)
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。