自己怎么做可以让百度收录的网站,外包建站公司,济南知名网站建设平台,wordpress文章添加跳转链接1. 运算符介绍
关于运算#xff0c;*运算#xff0c;torch.mul(), torch.mm(), torch.mv(), tensor.t() 和 *代表矩阵的两种相乘方式#xff1a;
表示常规的数学上定义的矩阵相乘#xff1b; *表示两个矩阵对应位置处的两个元素相乘。
1.1 矩阵点乘
*和torch.mul()等同…1. 运算符介绍
关于运算*运算torch.mul(), torch.mm(), torch.mv(), tensor.t() 和 *代表矩阵的两种相乘方式
表示常规的数学上定义的矩阵相乘 *表示两个矩阵对应位置处的两个元素相乘。
1.1 矩阵点乘
*和torch.mul()等同:表示相同shape矩阵点乘即对应位置相乘得到矩阵有相同的shape。
一对应点相乘x.mul(y) 即点乘操作点乘不求和操作又可以叫作Hadamard product点乘再求和即为卷积 a torch.Tensor([[1,2], [3,4], [5, 6]])a
tensor([[1., 2.],[3., 4.],[5., 6.]])a.mul(a)
tensor([[ 1., 4.],[ 9., 16.],[25., 36.]]) a * a
tensor([[ 1., 4.],[ 9., 16.],[25., 36.]])1.2 矩阵乘法
和torch.mm(a, b)等同正常矩阵相乘要求a的列数与b的行数相同。
torch.mv(X, w0):是矩阵和向量相乘.第一个参数是矩阵第二个参数只能是一维向量,等价于X乘以w0的转置
二矩阵相乘x.mm(y)或者x.matmul(b) 矩阵大小需满足 (i, n)x(n, j) a
tensor([[1., 2.],[3., 4.],[5., 6.]])b a.t() # 转置b
tensor([[1., 3., 5.],[2., 4., 6.]]) a.mm(b)
tensor([[ 5., 11., 17.],[11., 25., 39.],[17., 39., 61.]]) a.matmul(b)
tensor([[ 5., 11., 17.],[11., 25., 39.],[17., 39., 61.]])
多维矩阵相乘
3维矩阵相乘 a torch.randn(64, 128, 56)b torch.randn(64, 56, 72) a.shape
torch.Size([64, 128, 56])b.shape
torch.Size([64, 56, 72]) d a.matmul(b) # 多出的一维作为batch提出来其他部分做矩阵乘法。 d.shape
torch.Size([64, 128, 72]) # a.mm(b) 这个不行会报错untimeError: self must be a matrix4维矩阵相乘 a torch.randn(64, 3, 128, 56)b torch.randn(64, 3, 56, 72) d a.matmul(b) # 多出的维数作为batch提出来其他部分做矩阵乘法。 d.shape
torch.Size([64, 3, 128, 72]) # a.mm(b) 这个不行会报错untimeError: self must be a matrix1.3 向量乘积
x.dot(y): 向量乘积,xy均为一维向量。
Y.t():矩阵Y的转置。
ref
https://blog.csdn.net/jizhidexiaoming/article/details/82502724https://blog.csdn.net/beauthy/article/details/121103704
