比较与tf.eye的功能差异

查看源文件

tf.eye

tf.eye(
    num_rows,
    num_columns=None,
    batch_shape=None,
    dtype=tf.dtypes.float32,
    name=None
) -> Tensor

更多内容详见tf.eye

mindspore.ops.eye

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

更多内容详见mindspore.ops.eye

差异对比

TensorFlow:TensorFlow中可以在参数中接受batch_shape,使输出具有这样的形状。

MindSpore:列数和数据类型不可缺省,功能上无差异。

分类

子类

TensorFlow

MindSpore

差异

参数

参数1

num_rows

n

功能一致,参数名不同

参数2

num_columns

m

指定张量的列数。TensorFlow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

batch_shape

-

使输出具有指定的形状,MindSpore无此参数。如batch_shape=[3]

参数4

dtype

t

名称不同,TensorFlow中是可选的,如果没有默认为tf.dtypes.float32;MindSpore中是必须的

参数5

name

-

不涉及

差异分析与示例

代码示例1

TensorFlow可以缺省num_columns,MindSpore不可以缺省。

# TensorFlow
import tensorflow as tf

e1 = tf.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.numpy())
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

代码示例2

TensorFlow可以缺省dtype,MindSpore不可以缺省。

# TensorFlow
import tensorflow as tf
e2 = tf.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.]]