day16 BLAS/LAPACK 操作2 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 . baddbmm(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，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b × n × m 的张量， batch1 是形为 b × m × p 的张量，则 out 和 mat 的形状都是 n × p即resi = ( beta · Mi ) + ( al pha · batch 1 i × batch 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 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(10, 3, 5)
>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> torch.baddbmm(M, batch1, batch2).size()
torch.Size([10, 3, 5])

torch . bmm(batch1, batch2, out = None ) --> Tensor ：对存储在两个批 batch1 和 batch2 内的矩阵进行批矩阵乘操作。batch1 和 batch2 都为包含相同数量矩阵的 3 维张量。如果 batch1 是形为 b × n × m 的张量， batch1 是形为 b × m × p 的张量，则 out和 mat 的形状都是 n × p ，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 、 beta 必须为实数，否则两个 参数须为整数。

参数：

        -- 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：

>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> res = torch.bmm(batch1, batch2)
>>> res.size()
torch.Size([10, 3, 5])

torch . btrifact(A, info = None ) --> Tensor, IntTensor ：返回一个元祖，包含 LU 分解和 pivots 。可选参数 info 决定是否对每个 minibatch 样本进行分解。infoare from dgetrf and a non-zero value indicates an error occurred. 如果用 CUDA 的 话，这个值来自于 CUBLAS ，否则来自 LAPACK 。

参数：

        --A (Tensor) ：待分解张量

例子：

>>> A = torch.randn(2, 3, 3)
>>> A_LU = A.btrifact()

torch . btrisolve(b, LU_data, LU_pivots) --> Tensor ：返回线性方程组Ax = b 的 LU 解。

参数：

        -- b (Tensor) ： RHS 张量

        --LU_data (Tensor) ： Pivoted LU factorization of A from btrifact.

        --LU_pivots (IntTensor) ： LU 分解的 Pivots.

例子：

>>> A = torch.randn(2, 3, 3)
>>> b = torch.randn(2, 3)
>>> A_LU = torch.btrifact(A)
>>> x = b.btrisolve(*A_LU)
>>> torch.norm(A.bmm(x.unsqueeze(2)) - b)
6.664001874625056e-08

torch . dot(tensor1, tensor2) --> float ：计算两个张量的点乘 ( 内乘 ), 两个张量都为 1-D 向量 .

例子：

>>> torch.dot(torch.Tensor([2, 3]), torch.Tensor([2, 1]))
7.0

torch . eig(a, eigenvectors = False , out = None ) -> (Tensor, Tensor) ：计算实方阵 a 的特征值和特征向量。

参数：

        --a (Tensor) ：方阵，待计算其特征值和特征向

        --eigenvectors (bool) ：布尔值，如果 True，则同时计算特征值和特征向量，否则只计算特征值。

        --out (tuple, optional) ：输出元组

        --返回值：元组，包括：

                 * e (Tensor) ： a 的右特征向量

                * v (Tensor) ：如果 eigenvectors 为 True ，则为包含特征向量的张量 ; 否则为 空张量

         返回值类型： (Tensor, Tensor)

torch . gels(B, A, out = None ) --> Tensor ：对形如 m × n 的满秩矩阵 a 计算其最小二乘和最小范数问题的解。如果 m ≥ n ,gels 对最小二乘问题进行求解，即：minimize ∥ AX − B ∥ F 如果 m < n ,gels 求解最小范数问题，即： minimize ∥ X ∥ F sub jectto a b AX = B 返回矩阵 X 的前 n 行包含解。余下的行包含以下残差信息：相应列从第 n 行开始计 算的每列的欧式距离。

        返回矩阵总是被转置，无论输入矩阵的原始布局如何，总会被转置；即，总是有 stride (1, m) 而不是 (m, 1) 。

参数：

        --B (Tensor) ：矩阵 B

        -- A (Tensor) ： m × n 矩阵

        --out (tuple, optional) ：输出元组

        --返回值：元组，包括：

        -- X (Tensor) ：最小二乘解

        --qr (Tensor) ： QR 分解的细节

        --返回值类型： (Tensor, Tensor)

例子：

>>> A = torch.Tensor([[1, 1, 1],
... [2, 3, 4],
... [3, 5, 2],
... [4, 2, 5],
... [5, 4, 3]])
>>> B = torch.Tensor([[-10, -3], [ 12, 14], [ 14, 12], [ 16, 16], [ 18, 16]])
>>> X, _ = torch.gels(B, A)
>>> X
2.0000 1.0000
1.0000 1.0000
1.0000 2.0000
[torch.FloatTensor of size 3x2]