旅游网站开发的背景,全网营销销售,营销软件开发,提升学历的好处有哪些在 PyTorch 中#xff0c;有多种方法可以执行张量之间的乘法。这里列出了一些常见的乘法操作#xff1a; 总结#xff1a; 逐元素乘法#xff1a;*ortorch.mul()矩阵乘法#xff1a;ortorch.mm()ortorch.matmul()点积#xff1a;torch.Tensor.dot()批量矩阵乘法#xff…在 PyTorch 中有多种方法可以执行张量之间的乘法。这里列出了一些常见的乘法操作 总结 逐元素乘法*ortorch.mul()矩阵乘法ortorch.mm()ortorch.matmul()点积torch.Tensor.dot()批量矩阵乘法torch.bmm() 或 torch.matmul()矩阵与向量相乘torch.mv(X, w0) 逐元素乘法Element-wise multiplication*ortorch.mul()()对应位置的元素相乘输入张量形状必须相同或可广播。 import torchA torch.tensor([[1, 2], [3, 4]])
B torch.tensor([[2, 3], [4, 5]])result A * B
print(result)输出 tensor([[ 2, 6],[12, 20]])矩阵乘法ortorch.mm()ortorch.matmul()两个矩阵相乘第一个矩阵的列数必须等于第二个矩阵的行数。 import torchA torch.tensor([[1, 2], [3, 4]])
B torch.tensor([[2, 3], [4, 5]])result torch.matmul(A, B)
print(result)输出 tensor([[10, 13],[22, 29]])或者使用 运算符执行矩阵乘法 result A B
print(result)点积Dot producttorch.Tensor.dot()两个一维张量的点积。 import torchA torch.tensor([1, 2, 3])
B torch.tensor([4, 5, 6])result torch.dot(A, B)
print(result)输出 tensor(32)批量矩阵乘法对于具有更高维度的张量点积可以使用 torch.bmm() 或 torch.matmul() 进行批量矩阵乘法。 import torchA torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
B torch.tensor([[[2, 3], [4, 5]], [[6, 7], [8, 9]]])result torch.bmm(A, B)
print(result)输出 tensor([[[ 10, 13],[ 22, 29]],[[ 76, 91],[112, 133]]]) 两个输入张量的 batch_size 必须相同。此外第一个输入张量的 num_columns 必须与第二个输入张量的 num_rows 相同。换句话说输入张量的形状应为 (batch_size, num_rows_A, num_columns_A) 和 (batch_size, num_columns_A, num_columns_B)。
矩阵与向量相乘torch.mv(X, w0)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
