mindscience.models.layers.MultiScaleFCSequential

class mindscience.models.layers.MultiScaleFCSequential(in_channels, out_channels, layers, neurons, residual=True, act='sin', weight_init='normal', weight_norm=False, has_bias=True, bias_init='default', num_scales=4, amp_factor=1.0, scale_factor=2.0, input_scale=None, input_center=None, latent_vector=None)

多尺度全连接网络。

参数：

• in_channels (int) - 输入空间的通道数。

• out_channels (int) - 输出空间的通道数。

• layers (int) - 层数总数，包括输入/隐藏/输出层。

• neurons (int) - 隐藏层的神经元数。

• residual (bool, 可选) - 隐藏层的全连接残差块。默认值：True。

• act (Union[str, Cell, Primitive, None], 可选) - 应用于全连接层输出的激活函数，例如 "ReLU"。默认值："sin"。

• weight_init (Union[Tensor, str, Initializer, numbers.Number], 可选) - 可训练的 weight_init 参数。数据类型与 input 相同。str 的取值请参考函数 initializer。默认值："normal"。

• weight_norm (bool, 可选) - 是否计算权重的平方和。默认值：False。

• has_bias (bool, 可选) - 指定层是否使用偏置向量。默认值：True。

• bias_init (Union[Tensor, str, Initializer, numbers.Number], 可选) - 可训练的 bias_init 参数。数据类型与 input 相同。str 的取值请参考函数 initializer。默认值："default"。

• num_scales (int, 可选) - 多尺度网络的子网数。默认值：4。

• amp_factor (Union[int, float], 可选) - 输入的放大系数。默认值：1.0。

• scale_factor (Union[int, float], 可选) - 基础缩放系数。默认值：2.0。

• input_scale (Union[list, None], 可选) - 输入 x/y/t 的缩放系数。如果不为 None，将在网络中设置输入之前对输入进行缩放。默认值：None。

• input_center (Union[list, None], 可选) - 坐标平移的中心位置。如果不为 None，将在网络中设置输入之前对输入进行平移。默认值：None。

• latent_vector (Union[Parameter, None], 可选) - 可训练参数，将与采样输入连接并在训练期间更新。默认值：None。

输入：

• input (Tensor) - 形状为 \((*, in\_channels)\) 的张量。

输出：

• output (Tensor) - 形状为 \((*, out\_channels)\) 的张量。

异常：

• TypeError - 如果 num_scales 不是整数。

• TypeError - 如果 amp_factor 既不是整数也不是浮点数。

• TypeError - 如果 scale_factor 既不是整数也不是浮点数。

• TypeError - 如果 latent_vector 既不是 Parameter 也不是 None。

样例：

>>> import numpy as np
>>> from mindscience.models.layers import MultiScaleFCSequential
>>> from mindspore import Tensor, Parameter
>>> inputs = np.ones((64,3)) + 3.0
>>> inputs = Tensor(inputs.astype(np.float32))
>>> num_scenarios = 4
>>> latent_size = 16
>>> latent_init = np.ones((num_scenarios, latent_size)).astype(np.float32)
>>> latent_vector = Parameter(Tensor(latent_init), requires_grad=True)
>>> input_scale = [1.0, 2.0, 4.0]
>>> input_center = [3.5, 3.5, 3.5]
>>> net = MultiScaleFCSequential(3, 3, 5, 32,
...                        weight_init="ones", bias_init="zeros",
...                        input_scale=input_scale, input_center=input_center, latent_vector=latent_vector)
>>> output = net(inputs).asnumpy()
>>> print(output.shape)
(64, 3)