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。