比较与torch.eye的功能差异

torch.eye

torch.eye(
    n,
    m=None,
    *,
    out=None,
    dtype=None,
    layout=torch.strided,
    device=None,
    requires_grad=False) -> Tensor

更多内容详见torch.eye。

mindspore.ops.eye

mindspore.ops.eye(n, m, t) -> Tensor

更多内容详见mindspore.ops.eye。

差异对比

PyTorch：PyTorch中可以在参数中指定一个接受输出的张量、返回的张量的layout、requires_grad以及指定设备。

MindSpore：

PyTorch中参数m是可选的，如果没有该参数，那么返回一个列数和行数相同的张量；MindSpore中是必须的。

PyTorch中dtype是可选的，如果没有该参数，默认为torch.float32；MindSpore中是必须的。

功能上无差异。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	n	n	-
	参数2	m	m	指定张量的列数。PyTorch中是可选的，如果没有该参数，那么返回一个列数和行数相同的张量；MindSpore中是必须的
	参数3	out	-	不涉及
	参数4	dtype	t	功能一致，参数名不同，PyTorch中是可选的，如果没有默认为torch.float32；MindSpore中是必须的
	参数5	layout	-	不涉及
	参数6	device	-	不涉及
	参数7	requires_grad	-	MindSpore无此参数，默认支持反向求导

差异分析与示例

代码示例1

PyTorch可以缺省m参数。其他功能一致。

# PyTorch
import torch

# 参数m可以缺省，dtype可以缺省
e1 = torch.eye(3)
print(e1.numpy())
# [[1., 0., 0.]
#  [0., 1., 0.]
#  [0., 0., 1.]]

# MindSpore
import mindspore
import mindspore.ops as ops
e1 = ops.eye(3, 3, mindspore.float32)
print(e1)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

代码示例2

PyTorch可以缺省dtype参数。其他功能一致。

# PyTorch
import torch

# 参数dtype可以缺省
e2 = torch.eye(3, 2)
print(e2.numpy())
# [[1, 0]
#  [0, 1]
#  [0, 0]]

# MindSpore
import mindspore
import mindspore.ops as ops
e2 = ops.eye(3, 2, mindspore.float32)
print(e2)
# [[1. 0.]
#  [0. 1.]
#  [0. 0.]]