pytorch矩阵点乘,pytorch tensor相乘

  pytorch矩阵点乘,pytorch tensor相乘

  在本文中,目录点乘以` torch.mul(a,b)`二维矩阵乘以` torch.mm(a,b)`三维矩阵乘以` torch.bmm(`a,b)`高维矩阵乘以` torch.matmul(a,b)。

  点乘火炬. mul(a,b)

  点乘是相应位置元素的乘法。

  点乘是广播式的,可以用torch.mul(a,b)实现,也可以直接用*实现。

  python中的广播机制

  广播可以这样理解:如果你有一个(m,n)的矩阵,让它对一个(1,n)的矩阵进行加减乘除,它会被复制m次成为(m,n)的矩阵,然后再对它进行元素间的加减乘除。类似地,接地对矩阵(m,1)成立。

  资料来源:https://www.jianshu.com/p/fadd169cd396

  当维度A和B满足广播机制时,会自动填充到同维度相乘中。

  比如A的维数是(2,3),B的维数是(1,3);

  或者:A的维数是(2,3),B的维数是(2,1)。当A和B的维数不满足广播机制时,要求A和B的维数必须相等。

  如果A的维数为(1,2),B的维数为(2,3),则会报错:张量A (2)的大小必须与张量B (3)在非奇异维数1处的大小相匹配。

  报错是指B中维数为3的位置必须与A中维数为2的位置匹配,因为A中有一个维数为1,必须为(1,2)和(2,2)才能满足广播机制,否则需要满足维数必须等于(2,3)和(2,3)二维矩阵乘以torch.mm (a,b) torch。

  二维矩阵乘法要求参数A和B的维数满足乘法要求。

  该函数一般只用于计算两个二维矩阵的矩阵乘法,不支持广播运算。

  提供三维矩阵乘以torch.bmm(a,b)是因为神经网络训练一般采用mini-batch,经常输入带batch的三维矩阵。

  torch.bmm(bmat1,bmat2,out=无)

  该函数的两个输入必须是三维矩阵,第一个维度相同(代表批量维度),后两个维度满足矩阵乘法的要求。不支持广播操作

  高维矩阵的最后两个维度乘以torch。手电筒。matmul (input,other,out=none)满足矩阵乘法的要求,前面的维度被认为是batch_size,使用广播机制。

  主要参考资料:

  《pytorch的火炬》中的几个乘法

  pytorch中矩阵乘法的总结

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: