day15 BLAS/LAPACK 操作1 入门 一起学 PyTorch吧，PyTorch从入门开始 每天都更新 超详细 参数 常用方法 简单案列 共同学习，共同进步 坚持

torch . addbmm(beta =1 , mat, alpha =1 , batch1, batch2, out = None ) --> Tensor：对两个批batch1和batch2内存储的矩阵进行批矩阵乘操作，附带reduced add步骤（所有矩阵乘结果沿着第一维相加）。矩阵mat加到最终结果。batch1和batch2都为包含相同数量矩阵的3维张量。如果batch1是形为bxnxm的张量，batch1是形为bxmxp的张量，则out和mat的形状都是nxp，即res=( beta · M) +( al pha · sum ( batch 1 i @ batch 2 i , i = 0 ,b))对类型为FloatTensor或DoubleTensor的输入，alpha，beat必须为实数，否则两个参数须为整数。

参数：

        --beta (Number, optional) ：用于 mat 的乘子

        --at (Tensor) ：相加矩阵

        --alpha (Number, optional) ：用于 batch1@batch2 的乘子

        --batch1 (Tensor) ：第一批相乘矩阵

        -- batch2 (Tensor) ：第二批相乘矩阵

        -- out (Tensor, optional) ：输出张量

例子：

>>> M = torch.randn(3, 5)
>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> torch.addbmm(M, batch1, batch2)

-3.1162 11.0071 7.3102 0.1824 -7.6892
1.8265 6.0739 0.4589 -0.5641 -5.4283
-9.3387 -0.1794 -1.2318 -6.8841 -4.7239
[torch.FloatTensor of size 3x5]

torch . addmm(beta =1 , mat, alpha =1 , mat1, mat2, out = None ) --> Tensor：对矩阵mat1和mat2进行矩阵乘操作。矩阵mat加到最终结果。如果mat1是一个nxm张量，mat2是一个mxp张量，那么out和mat的形状nxp。alpha和beta分别是两个矩阵mat 1@ mat 2 和 mat的比例因子，即， out = ( beta · M )+ ( al pha · mat 1@ mat 2)对类型为FloatTensor 或 DoubleTensor的输入，betaand alpha必须为实数，否则两个参数必须为整数。

参数：

        -- beta (Number, optional) ：用于 mat 的乘子

        --mat (Tensor) ：相加矩阵

        --alpha (Number, optional) ：用于 mat1@mat2 的乘子

        --mat1 (Tensor)：第一个相乘矩阵

        -- mat2 (Tensor) ：第二个相乘矩阵

        --out (Tensor, optional) ：输出张量

例子：

>>> M = torch.randn(2, 3)
>>> mat1 = torch.randn(2, 3)
>>> mat2 = torch.randn(3, 3)
>>> torch.addmm(M, mat1, mat2)
-0.4095 -1.9703 1.3561
5.7674 -4.9760 2.7378
[torch.FloatTensor of size 2x3]

torch . addmv(beta =1 , tensor, alpha =1 , mat, vec, out = None ) --> Tensor ：对矩阵 mat 和向量 vec 对进行相乘操作。向量 tensor 加到最终结果。如果 mat 是一个n × m 维矩阵，vec 是一个 m 维向量，那么 out 和 mat 的为 n 元向量。。可选参数 _alpha_ 和 beta 分别是 mat ∗ vec 和 mat 的比例因子即，out = ( beta · tensor )+( al pha · ( mat @ vec))对类型为 _FloatTensor_ 或 _DoubleTensor_ 的输入， alphaand beta 必须为实数，否则两个参数必须为整数。

参数：

        --beta (Number, optional) ：用于 mat 的乘子

        -- mat (Tensor) ：相加矩阵

        --alpha (Number, optional)：用于 mat1@ vec 的乘子

        -- mat (Tensor) ：相乘矩阵

        -- vec (Tensor) ：相乘向量

        --out (Tensor, optional) ：输出张量

例子：

>>> M = torch.randn(2)
>>> mat = torch.randn(2, 3)
>>> vec = torch.randn(3)
>>> torch.addmv(M, mat, vec)
-2.0939
-2.2950
[torch.FloatTensor of size 2]

torch . addr(beta =1 , mat, alpha =1 , vec1, vec2, out = None ) --> Tensor ：对向量 vec 1 和 vec 2 对进行张量积操作。矩阵 mat 加到最终结果。如果 vec1 是一个 n维向量， vec2 是一个 m 维向量， 那么矩阵 mat 的形状须为 n ×m。可选参数 _beta_ 和alpha 分别是两个矩阵 mat 和 vec1@ vec2 的比例因子，即， ， resi = ( beta ∗ Mi )+ ( al pha∗ batch 1 ibatch 2 i)对类型为 _FloatTensor_ 或 _DoubleTensor_ 的输入，alphaand beta 必须为实数，否 则两个参数须为整数。

参数：

        -- beta (Number, optional) ：用于 mat 的乘子

        --mat (Tensor) ：相加矩阵

        --alpha (Number, optional) ：用于两向量 vec1 ， vec2 外积的乘子

        --vec1 (Tensor) ：第一个相乘向量

        --vec2 (Tensor) ：第二个相乘向量

        --out (Tensor, optional) ：输出张量

例子：

>>> vec1 = torch.arange(1, 4)
>>> vec2 = torch.arange(1, 3)
>>> M = torch.zeros(3, 2)
>>> torch.addr(M, vec1, vec2) 
1 2 
2 4 
3 6 
[torch.FloatTensor of size 3x2]