elementwise_div

  • paddle.fluid.layers.elementwise_div(x, y, axis=-1, act=None, name=None)[源代码]

该OP是逐元素相除算子，输入 x 与输入 y 逐元素相除，并将各个位置的输出元素保存到返回结果中。

等式是：

elementwise_div - 图1

  • elementwise_div - 图2 ：多维Tensor。
  • elementwise_div - 图3 ：维度必须小于等于X维度的Tensor。
  • 对于这个运算算子有2种情况：
  • elementwise_div - 图4 的 shape 与 elementwise_div - 图5 相同。
  • elementwise_div - 图6 的 shape 是 elementwise_div - 图7 的连续子序列。
  • 对于情况2:
  • 用 elementwise_div - 图8 匹配 elementwise_div - 图9 的形状（shape），其中 axis 是 elementwise_div - 图10 在 elementwise_div - 图11 上的起始维度的位置。
  • 如果 axis 为-1（默认值），则 elementwise_div - 图12 。
  • 考虑到子序列， elementwise_div - 图13 的大小为1的尾部维度将被忽略，例如shape（Y）=（2,1）=>（2）。

例如：

  1. shape(X) = (2, 3, 4, 5), shape(Y) = (,)
  2. shape(X) = (2, 3, 4, 5), shape(Y) = (5,)
  3. shape(X) = (2, 3, 4, 5), shape(Y) = (4, 5), with axis=-1(default) or axis=2
  4. shape(X) = (2, 3, 4, 5), shape(Y) = (3, 4), with axis=1
  5. shape(X) = (2, 3, 4, 5), shape(Y) = (2), with axis=0
  6. shape(X) = (2, 3, 4, 5), shape(Y) = (2, 1), with axis=0
  • 参数：
    • x （Variable）- 多维 Tensor 或 LoDTensor 。数据类型为 float32 、 float64 、 int32 或 int64。
    • y （Variable）- 多维 Tensor 或 LoDTensor 。数据类型为 float32 、 float64 、 int32 或 int64。
    • axis （int32，可选）- y 的维度对应到 x 维度上时的索引。默认值为 -1。
    • act （str，可选）- 激活函数名称，作用于输出上。默认值为None。详细请参考 激活函数 ， 常见的激活函数有: relu tanh sigmoid 等。
    • name （str，可选）- 输出的名字。默认值为None。该参数供开发人员打印调试信息时使用，具体用法请参见 Name 。

返回： 维度与 x 相同的 Tensor 或 LoDTensor ，数据类型与 x 相同。

返回类型： Variable。

代码示例 1

  1. import paddle.fluid as fluid
  2. import numpy as np
  3. def gen_data():
  4.     return {
  5.         "x": np.array([2, 3, 4]),
  6.         "y": np.array([1, 5, 2])
  7.     }
  8. x = fluid.layers.data(name="x", shape=[3], dtype='float32')
  9. y = fluid.layers.data(name="y", shape=[3], dtype='float32')
  10. z = fluid.layers.elementwise_div(x, y)
  11. # z = x / y
  12. place = fluid.CPUPlace()
  13. exe = fluid.Executor(place)
  14. z_value = exe.run(feed=gen_data(),
  15.                     fetch_list=[z.name])
  16. print(z_value) # [2., 0.6, 2.]

代码示例 2

  1. import paddle.fluid as fluid
  2. import numpy as np
  3. def gen_data():
  4.     return {
  5.         "x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
  6.         "y": np.random.randint(1, 5, size=[3, 4]).astype('float32')
  7.     }
  8. x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
  9. y = fluid.layers.data(name="y", shape=[3,4], dtype='float32')
  10. z = fluid.layers.elementwise_div(x, y, axis=1)
  11. # z = x / y
  12. place = fluid.CPUPlace()
  13. exe = fluid.Executor(place)
  14. z_value = exe.run(feed=gen_data(),
  15.                     fetch_list=[z.name])
  16. print(z_value) # z.shape=[2,3,4,5]

代码示例 3

  1. import paddle.fluid as fluid
  2. import numpy as np
  3. def gen_data():
  4.     return {
  5.         "x": np.random.randint(1, 5, size=[2, 3, 4, 5]).astype('float32'),
  6.         "y": np.random.randint(1, 5, size=[5]).astype('float32')
  7.     }
  8. x = fluid.layers.data(name="x", shape=[2,3,4,5], dtype='float32')
  9. y = fluid.layers.data(name="y", shape=[3,4], dtype='float32')
  10. z = fluid.layers.elementwise_div(x, y, axis=3)
  11. # z = x / y
  12. place = fluid.CPUPlace()
  13. exe = fluid.Executor(place)
  14. z_value = exe.run(feed=gen_data(),
  15.                     fetch_list=[z.name])
  16. print(z_value) # z.shape=[2,3,4,5]