mindspore.ops.PReLU
===================

.. py:class:: mindspore.ops.PReLU(*args, **kwargs)

    带参数的线性修正单元激活函数（Parametric Rectified Linear Unit activation function）。

    `Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification <https://arxiv.org/abs/1502.01852>`_ 描述了PReLU激活函数。定义如下：

    .. math::
        prelu(x_i)= \max(0, x_i) + \min(0, w * x_i)，

    其中 :math:`x_i` 是输入的一个通道的一个元素，`w` 是通道权重。

    .. note::

        Ascend不支持0-D或1-D的x。

    **输入：**

    - **x** (Tensor) - 用于计算激活函数的Tensor。数据类型为float16或float32。shape为 :math:`(N, C, *)` ，其中 :math:`*` 表示任意的附加维度数。
    - **weight** (Tensor) - 权重Tensor。数据类型为float16或float32。只有两种shape是合法的，1或 `input_x` 的通道数。通道维度是输入的第二维。当输入为0-D或1-D Tensor时，通道数为1。

    **输出：**

    Tensor，数据类型与 `x` 的相同。

    有关详细信息，请参考:class:`nn.PReLU`。

    **异常：**

    - **TypeError** - `x` 或  `weight` 的数据类型既不是float16也不是float32。
    - **TypeError** - `x` 或  `weight` 不是Tensor。
    - **ValueError** - `x` 是Ascend上的0-D或1-D Tensor。
    - **ValueError** - `weight` 不是1-D Tensor。

    **支持平台：**

    ``Ascend`` ``GPU``

    **样例：**

    >>> class Net(nn.Cell):
    ...     def __init__(self):
    ...         super(Net, self).__init__()
    ...         self.prelu = ops.PReLU()
    ...     def construct(self, x, weight):
    ...         result = self.prelu(x, weight)
    ...         return result
    ...
    >>> x = Tensor(np.arange(-6, 6).reshape((2, 3, 2)), mindspore.float32)
    >>> weight = Tensor(np.array([0.1, 0.6, -0.3]), mindspore.float32)
    >>> net = Net()
    >>> output = net(x, weight)
    >>> print(output)
    [[[-0.60 -0.50]
      [-2.40 -1.80]
      [ 0.60  0.30]]
      [[ 0.00  1.00]
      [ 2.00  3.00]
      [ 4.0   5.00]]]