当前位置 : 主页 > 编程语言 > 其它开发 >

PyTorch 中的乘法:mul()、multiply()、matmul()、mm()、mv()、dot()

来源:互联网 收集:自由互联 发布时间:2022-05-17
torch.mul() 函数功能:逐个对 input 和 other 中对应的元素相乘。 本操作支持广播,因此 input 和 other 均可以是张量或者数字。 举例如下: import torch a = torch.randn(3) atensor([-1.7095, 1.7837, 1.18
torch.mul()

函数功能:逐个对 inputother 中对应的元素相乘。

本操作支持广播,因此 inputother 均可以是张量或者数字。

举例如下:

>>> import torch
>>> a = torch.randn(3)
>>> a
tensor([-1.7095,  1.7837,  1.1865])
>>> b = 2
>>> torch.mul(a, b)
tensor([-3.4190,  3.5675,  2.3730])     # 这里将 other 扩展成了 input 的形状
>>> a = 3
>>> b = torch.randn(3, 1)
>>> b
tensor([[-0.7705],
        [ 1.1177],
        [ 1.2447]])
>>> torch.mul(a, b)
tensor([[-2.3116],
        [ 3.3530],
        [ 3.7341]])                     # 这里将 input 扩展成了 other 的形状
>>> a = torch.tensor([[2], [3]])
>>> a
tensor([[2],
        [3]])                           # a 是 2×1 的张量
>>> b = torch.tensor([-1, 2, 1])
>>> b
tensor([-1,  2,  1])                    # b 是 1×3 的张量
>>> torch.mul(a, b)
tensor([[-2,  4,  2],
        [-3,  6,  3]])

这个例子中,inputoutput 的形状都不是公共形状,因此两个都需要广播,都变成 2×3 的形状,然后再逐个元素相乘。

由上述例子可以看出,这种乘法是逐个对应元素相乘,因此 inputoutput 的前后顺序并不影响结果,即 torch.mul(a, b) =torch.mul(b, a)

官方文档

torch.multiply()

torch.mul() 的别称。

torch.dot()

函数功能:计算 inputoutput 的点乘,此函数要求 inputoutput必须是一维的张量(其 shape 属性中只有一个值)!并且要求两者元素个数相同

举例如下:

>>> torch.dot(torch.tensor([2, 3]), torch.tensor([2, 1]))
tensor(7)

>>> torch.dot(torch.tensor([2, 3]), torch.tensor([2, 1, 1]))		# 要求两者元素个数相同
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
RuntimeError: inconsistent tensor size, expected tensor [2] and src [3] to have the same number of elements, but got 2 and 3 elements respectively

官方文档

torch.mm()

函数功能:实现线性代数中的矩阵乘法(matrix multiplication):(n×m) × (m×p) = (n×p)

本函数不允许广播!

举例如下:

>>> mat1 = torch.randn(2, 3)
>>> mat2 = torch.randn(3, 2)
>>> torch.mm(mat1, mat2)
tensor([[-1.1846, -1.8327],
        [ 0.8820,  0.0312]])

官方文档

torch.mv()

函数功能:实现矩阵和向量(matrix × vector)的乘法,要求 input 的形状为 n×moutputtorch.Size([m])的一维 tensor。

举例如下:

>>> mat = torch.tensor([[1, 2, 3], [4, 5, 6]])
>>> mat
tensor([[1, 2, 3],
        [4, 5, 6]])
>>> vec = torch.tensor([-1, 1, 2])
>>> vec
tensor([-1,  1,  2])
>>> mat.shape
torch.Size([2, 3])
>>> vec.shape
torch.Size([3])
>>> torch.mv(mat, vec)
tensor([ 7, 13])

注意,此函数要求第二个参数是一维 tensor,也即其 ndim 属性值为 1。这里我们要区分清楚张量的 shape 属性和 ndim 属性,前者表示张量的形状,后者表示张量的维度。(线性代数中二维矩阵的维度 m×n 通常理解为这里的形状)

对于 shape 值为 torch.Size([n])torch.Size(1, n) 的张量,前者的 ndim=1 ,后者的 ndim=2 ,因此前者是可视为线代中的向量,后者可视为线代中的矩阵。

对于 shape 值为 torch.Size([1, n])torch.Size([n, 1]) 的张量,它们同样在 Pytorch 中被视为矩阵。例如:

>>> column = torch.tensor([[1], [2]])
>>> row = torch.tensor([3, 4])
>>> column.shape
torch.Size([2, 1])				# 矩阵
>>> row.shape
torch.Size([2])					# 一维张量
>>> matrix = torch.randn(1, 3)
>>> matrix.shape
torch.Size([1, 3])				# 矩阵

对于张量(以及线代中的向量和矩阵)的理解可看这篇博文。

官方文档

torch.bmm()

函数功能:实现批量的矩阵乘法。

本函数要求 inputoutputndim 均为 3,且前者形状为 b×n×m,后者形状为 b×m×p 。可以理解为 input 中包含 b 个形状为 n×m 的矩阵, output 中包含 b 个形状为 m×p 的矩阵,然后第一个 n×m 的矩阵 × 第一个 m×p 的矩阵得到第一个 n×p 的矩阵,第二个……,第 b 个……因此最终得到 b 个形状为 n×p 的矩阵,即最终结果是一个三维张量,形状为 b×n×p

举例如下:

>>> batch_matrix_1 = torch.tensor([ [[1, 2], [3, 4], [5, 6]] , [[-1, -2], [-3, -4], [-5, -6]] ])
>>> batch_matrix_1
tensor([[[ 1,  2],
         [ 3,  4],
         [ 5,  6]],

        [[-1, -2],
         [-3, -4],
         [-5, -6]]])
>>> batch_matrix_1.shape
torch.Size([2, 3, 2])

>>> batch_matrix_2 = torch.tensor([ [[1, 2], [3, 4]], [[1, 2], [3, 4]] ])
>>> bat
batch_matrix_1 batch_matrix_2
>>> batch_matrix_2
tensor([[[1, 2],
         [3, 4]],

        [[1, 2],
         [3, 4]]])
>>> batch_matrix_2.shape
torch.Size([2, 2, 2])

>>> torch.bmm(batch_matrix_1, batch_matrix_2)
tensor([[[  7,  10],
         [ 15,  22],
         [ 23,  34]],

        [[ -7, -10],
         [-15, -22],
         [-23, -34]]])

官方文档

torch.matmul()

torch.matmul() 可以用于 PyTorch 中绝大多数的乘法,在不同的情形下,它与上述各个乘法函数起着相同的作用,具体请看这篇博文

上一篇:软考高级及杭州E类人才申请经验分享
下一篇:没有了
网友评论