pymc.math.clip

pymc.math.clip = Elemwise(scalar_op=clip,inplace_pattern=<frozendict {}>)

将 x 限制在最小值和最大值之间。

注意，当 x 等于边界时，输出被认为是 x，因此在这些点上，成本相对于输出的梯度将传播到 x，而不是 min 或 max。换句话说，在这些点上，相对于 x 的梯度将等于相对于输出的梯度，而相对于 min 和 max 的梯度将为零。

将标量 Op 泛化到张量。

所有输入必须具有相同的维度数量。当执行 Op 时，对于每个维度，每个输入在该维度的大小必须相同。作为一种特殊情况，它也可以是1，但前提是输入的 broadcastable 标志在该维度为 True。在这种情况下，张量在该维度上（实际上）被复制以匹配其他维度的大小。

输出的数据类型与被泛化到张量的标量 Op 的数据类型相同。特别是，如果输出的计算是在输入上就地进行的，那么输出类型必须与相应的输入类型相同（参见 ScalarOp 的文档以获取关于控制输出类型的帮助）

注释

-Elemwise(add): 表示张量上的 + 操作 x + y -Elemwise(add, {0 : 0}): 表示 += 操作 x += y -Elemwise(add, {0 : 1}): 表示在第二个参数上的 += 操作 y += x -Elemwise(mul)(np.random.random((10, 5)), np.random.random((1, 5))): 第二个输入沿着第一个维度扩展以匹配第一个输入 -Elemwise(true_div)(np.random.random(10, 5), np.random.random(10, 1)): 同上，但沿着第二个维度 -Elemwise(int_div)(np.random.random((1, 5)), np.random.random((10, 1))): 输出大小为 (10, 5) -Elemwise(log)(np.random.random((3, 4, 5)))