pytorch常用乘法运算及运算符
诸神黄昏的幸存者 人气:5前言
这里总结一下pytorch常用的乘法运算以及相关的运算符(@、*)。
总结放前面:
torch.mm : 用于两个矩阵(不包括向量)的乘法。如维度为(l,m)和(m,n)相乘
torch.bmm : 用于带batch的三维向量的乘法。如维度为(b,l,m)和(b,m,n)相乘
torch.mul : 用于两个同维度矩阵的逐像素点相乘(点乘)。如维度为(l,m)和(l,m)相乘
torch.mv : 用于矩阵和向量之间的乘法(矩阵在前,向量在后)。如维度为(l,m)和(m)相乘,结果的维度为(l)。
torch.matmul : 用于两个张量(后两维满足矩阵乘法的维度)相乘或者是矩阵与向量间的乘法,因为其具有广播机制(broadcasting,自动补充维度)。如维度为(b,l,m)和(b,m,n);(l,m)和(b,m,n);(b,c,l,m)和(b,c,m,n);(l,m)和(m)相乘等。【其作用包含torch.mm、torch.bmm和torch.mv】
@运算符 : 其作用类似于torch.matmul。
*运算符 : 其作用类似于torch.mul。
1、torch.mm
import torch a = torch.ones(1, 2) print(a) b = torch.ones(2, 3) print(b) output = torch.mm(a, b) print(output) print(output.size()) """ tensor([[1., 1.]]) tensor([[1., 1., 1.], [1., 1., 1.]]) tensor([[2., 2., 2.]]) torch.Size([1, 3]) """
2、torch.bmm
a = torch.randn(2, 1, 2) print(a) b = torch.randn(2, 2, 3) print(b) output = torch.bmm(a, b) print(output) print(output.size()) """ tensor([[[-0.1187, 0.2110]], [[ 0.7463, -0.6136]]]) tensor([[[-0.1186, 1.5565, 1.3662], [ 1.0199, 2.4644, 1.1630]], [[-1.9483, -1.6258, -0.4654], [-0.1424, 1.3892, 0.7559]]]) tensor([[[ 0.2293, 0.3352, 0.0832]], [[-1.3666, -2.0657, -0.8111]]]) torch.Size([2, 1, 3]) """
3、torch.mul
a = torch.ones(2, 3) * 2 print(a) b = torch.randn(2, 3) print(b) output = torch.mul(a, b) print(output) print(output.size()) """ tensor([[2., 2., 2.], [2., 2., 2.]]) tensor([[-0.1187, 0.2110, 0.7463], [-0.6136, -0.1186, 1.5565]]) tensor([[-0.2375, 0.4220, 1.4925], [-1.2271, -0.2371, 3.1130]]) torch.Size([2, 3]) """
4、torch.mv
mat = torch.randn(3, 4) print(mat) vec = torch.randn(4) print(vec) output = torch.mv(mat, vec) print(output) print(output.size()) print(torch.mm(mat, vec.unsqueeze(1)).squeeze(1)) """ tensor([[-0.1187, 0.2110, 0.7463, -0.6136], [-0.1186, 1.5565, 1.3662, 1.0199], [ 2.4644, 1.1630, -1.9483, -1.6258]]) tensor([-0.4654, -0.1424, 1.3892, 0.7559]) tensor([ 0.5982, 2.5024, -5.2481]) torch.Size([3]) tensor([ 0.5982, 2.5024, -5.2481]) """
5、torch.matmul
# 其作用包含torch.mm、torch.bmm和torch.mv。其他类似,不一一举例。 a = torch.randn(2, 1, 2) print(a) b = torch.randn(2, 2, 3) print(b) output = torch.bmm(a, b) print(output) output1 = torch.matmul(a, b) print(output1) print(output1.size()) """ tensor([[[-0.1187, 0.2110]], [[ 0.7463, -0.6136]]]) tensor([[[-0.1186, 1.5565, 1.3662], [ 1.0199, 2.4644, 1.1630]], [[-1.9483, -1.6258, -0.4654], [-0.1424, 1.3892, 0.7559]]]) tensor([[[ 0.2293, 0.3352, 0.0832]], [[-1.3666, -2.0657, -0.8111]]]) tensor([[[ 0.2293, 0.3352, 0.0832]], [[-1.3666, -2.0657, -0.8111]]]) torch.Size([2, 1, 3]) """
# 维度为(b,l,m)和(b,m,n);(l,m)和(b,m,n);(b,c,l,m)和(b,c,m,n);(l,m)和(m)等 a = torch.randn(2, 3, 4) b = torch.randn(2, 4, 5) print(torch.matmul(a, b).size()) a = torch.randn(3, 4) b = torch.randn(2, 4, 5) print(torch.matmul(a, b).size()) a = torch.randn(2, 3, 3, 4) b = torch.randn(2, 3, 4, 5) print(torch.matmul(a, b).size()) a = torch.randn(2, 3) b = torch.randn(3) print(torch.matmul(a, b).size()) """ torch.Size([2, 3, 5]) torch.Size([2, 3, 5]) torch.Size([2, 3, 3, 5]) torch.Size([2]) """
6、@运算符
# @运算符:其作用类似于torch.matmul a = torch.randn(2, 3, 4) b = torch.randn(2, 4, 5) print(torch.matmul(a, b).size()) print((a @ b).size()) a = torch.randn(3, 4) b = torch.randn(2, 4, 5) print(torch.matmul(a, b).size()) print((a @ b).size()) a = torch.randn(2, 3, 3, 4) b = torch.randn(2, 3, 4, 5) print(torch.matmul(a, b).size()) print((a @ b).size()) a = torch.randn(2, 3) b = torch.randn(3) print(torch.matmul(a, b).size()) print((a @ b).size()) """ torch.Size([2, 3, 5]) torch.Size([2, 3, 5]) torch.Size([2, 3, 5]) torch.Size([2, 3, 5]) torch.Size([2, 3, 3, 5]) torch.Size([2, 3, 3, 5]) torch.Size([2]) torch.Size([2]) """
7、*运算符
# *运算符:其作用类似于torch.mul a = torch.ones(2, 3) * 2 print(a) b = torch.ones(2, 3) * 3 print(b) output = torch.mul(a, b) print(output) print(output.size()) output1 = a * b print(output1) print(output1.size()) """ tensor([[2., 2., 2.], [2., 2., 2.]]) tensor([[3., 3., 3.], [3., 3., 3.]]) tensor([[6., 6., 6.], [6., 6., 6.]]) torch.Size([2, 3]) tensor([[6., 6., 6.], [6., 6., 6.]]) torch.Size([2, 3]) """
附:二维矩阵乘法
神经网络中包含大量的 2D 张量矩阵乘法运算,而使用 torch.matmul 函数比较复杂,因此 PyTorch 提供了更为简单方便的 torch.mm(input, other, out = None)
函数。下表是 torch.matmul 函数和 torch.mm 函数的简单对比。
torch.matmul 函数支持广播,主要指的是当参与矩阵乘积运算的两个张量中其中有一个是 1D 张量,torch.matmul 函数会将其广播成 2D 张量参与运算,最后将广播添加的维度删除作为最终 torch.matmul 函数的返回结果。torch.mm 函数不支持广播,相对应的输入的两个张量必须为 2D。
import torch input = torch.tensor([[1., 2.], [3., 4.]]) other = torch.tensor([[5., 6., 7.], [8., 9., 10.]]) result = torch.mm(input, other) print(result) # tensor([[21., 24., 27.], # [47., 54., 61.]])
总结
加载全部内容