做电影网站算侵权吗,做本地团购网站,怎么做网站聊天视频直播,网站外链建设有利于增加网站收录有用大佬们点点赞
1、两个一维向量点积 #xff0c;求 词A 与 词A 之间的关联度 2、两个词向量之间求关联度#xff0c;求 :
词A 与 词A 的关联度 5 词A 与 词B 的关联度 11 词B 与 词A 的关联度 11 词B 与 词B 的关联度 25 刚刚好和矩阵乘法符合#xff1a;
3、什么是…有用大佬们点点赞
1、两个一维向量点积 求 词A 与 词A 之间的关联度 2、两个词向量之间求关联度求 :
词A 与 词A 的关联度 5 词A 与 词B 的关联度 11 词B 与 词A 的关联度 11 词B 与 词B 的关联度 25 刚刚好和矩阵乘法符合
3、什么是矩阵乘法举个例子 重点结论矩阵乘法就是 求 词向量 与 词向量转置 之间的点积的集合为什么是转置注意要是把上面第二个矩阵当词向量的话[5, 7]和[6, 8]分别是一个词向量。而不是 [5, 6]和[7, 8]。
3、如果是三维矩阵的点乘呢 重点结论三维矩阵点乘就变成单独的二维矩阵进行点乘所以点乘最多体现在二维矩阵二维矩阵单独求点乘求完再合并。
最终结论点积和点乘没有关联性但是点乘在特定场景下可以实现批量点积有助于我们利用点乘的特性来批量求词与词之间的点积关联性在自注意力的时候可以使用。
试验代码
一维向量点乘这样写会报错
import torch# 定义两个二维矩阵
A torch.tensor([[1, 2]])
B torch.tensor([[1, 2]])# 使用 matmul 计算展平向量的点积
dot_product torch.matmul(A, B)print(dot_product)正确一维向量点乘
import torch# 定义两个二维矩阵
A torch.tensor([[1, 2]])
B torch.tensor([[1], [2]])# 使用 matmul 计算展平向量的点积
dot_product torch.matmul(A, B)print(dot_product)二维矩阵点乘
import torch# 定义两个二维矩阵
A torch.tensor([[1, 2], [3, 4]])
B torch.tensor([[1, 3], [2, 4]])# 使用 matmul 计算展平向量的点积
dot_product torch.matmul(A, B)print(dot_product)三维矩阵点乘
import torch# 定义两个二维矩阵
A torch.tensor([[[1, 2], [3, 4]],[ [1, 2], [3, 4]]])
B torch.tensor([[[1, 3], [2, 4]],[ [1, 3], [2, 4]]])# 使用 matmul 计算展平向量的点积
dot_product torch.matmul(A, B)
print(dot_product)点积应该这样写
import torchvector_a torch.tensor([1, 2, 3])
vector_b torch.tensor([4, 5, 6])# 计算点积
dot_product torch.dot(vector_a, vector_b)print(f向量 A: {vector_a})
print(f向量 B: {vector_b})
print(fA 和 B 的点积: {dot_product})
下面会报错二维数组不可以点积
import torchvector_a torch.tensor([[1, 2, 3],[1, 2, 3]])
vector_b torch.tensor([[1, 2, 3],[1, 2, 3]])# 计算点积
dot_product torch.dot(vector_a, vector_b)print(f向量 A: {vector_a})
print(f向量 B: {vector_b})
print(fA 和 B 的点积: {dot_product})所以点积和点乘不是一个东西只是点乘在某些场景下可以代表批量点积而已。
