~~欢迎关注#公众号:AI算法小喵,会有更多不错的文章分享~~
本文首发于:一文整理5个Pytorch张量乘法函数
最近整理了Pytorch中5个常用的张量乘法函数和用法,建议收藏学习。
1. 张量的维度
在开始今天的学习之前,我们需要先学习一个知识点,即张量的维度。
张量的维度包括两方面内容,其一是维度个数,其二是维度大小。维度个数可以通过张量.ndim
属性查看,维度大小可以通过.shape
或.size()
查看。
>>> a=torch.arange(6).reshape(2,3)
>>> a
tensor([[0, 1, 2],
[3, 4, 5]])
>>> a.ndim
2
>>> a.shape
torch.Size([2, 3])
>>> a.size()
torch.Size([2, 3])
比如上面的张量a:维度个数为2,代表a是一个二维张量;维度大小为[2,3],代表第0维的维度大小为2,第1维为3。
2. torch.matmul
我们先学习最复杂也最灵活的torch.matmul函数[1]。
2.1 概览
功能:matmul函数实现的是矩阵乘法,更确切地说,是“混合”矩阵乘法。
参数:
-
input
(张量):第一个张量。 -
other
(张量):第二个张量。 -
out
(张量):结果张量,等同于torch.matmul函数的返回值。
返回值:张量。
2.2 示例代码
matmul函数的行为根据输入张量的不同大体可以分为5种情形(case),所以这里我们也通过5个case下的示例代码来学习这个函数。
(1) case1
若两个张量均为一维张量,则执行向量点积操作,等价于调用torch.dot函数。
比如,下面我们创建了两个一维张量a、b,维度大小均为2。
>>> a=torch.randn(1)
>>> b=torch.randn(1)
>>> a.ndim
1
>>> b.ndim
1
>>> a.size()
torch.Size([2])
>>> b.size()
torch.Size([2])
>>> a
tensor([0.8411])
>>> b
tensor([-1.1787])
然后分别对他们进行matmul操作,和dot操作。从结果比对来看,两个操作是等价的,最终生成的都是scalar标量。
>>> c1=torch.matmul(a,b)
>>> c2=torch.dot(a,b)
>>> c1.equal(c2)
True
>>> c1
tensor(-0.9914)
>>> c1.ndim
0
>>> c1.size()
torch.Size([])
(2) case2
若两个张量均为二维张量,则执行矩阵乘法,等价于调用torch.mm函数。
比如下面的例子,a、b均为2维张量,维度大小分别为[2,2]、[2,3]。即a.size()[1]=b.size()[0]
满足矩阵乘法约束,通过matmul函数或mm函数,我们将获得2维张量,维度大小为[2,3]。
>>> a=torch.randn(2,2)
>>> b=torch.randn(2,3)
>>> a.ndim
2
>>> b.ndim
2
>>> a.size()
torch.Size([2, 2])
>>> b.size()
torch.Size([2, 3])
>>> c1=torch.matmul(a,b)
>>> c2=torch.mm(a,b)
>>> c1.equal(c2)
True
>>> c1.size()
torch.Size([2, 3])
>>> c1.ndim
2
(3) case3
若第一个张量为一维张量,假设维度为[k],第二个张量为二维张量,假设维度为[k,p]。第一个张量会在左边进行维度扩展,维度变为[1,k],然后再进行矩阵乘法,获得维度为[1,p]的张量,然后再去掉扩展的维度,最后结果张量维度为[p]。
比如,a是维度大小为[3]的一维矩阵,b是维度大小为[3,4]的二维矩阵,结果张量c1是一维张量,维度大小为[4]。
>>> a=torch.arange(1,4)
>>> b=torch.arange(2,14).reshape((3,4))
>>> a.ndim
1
>>> a.size()
torch.Size([3])
>>> b.ndim
2
>>> b.size()
torch.Size([3, 4])
>>>
>>> c1=torch.matmul(a,b)
>>> c1.ndim
1
>>> c1.size()
torch.Size([4])
>>>
>>> a
tensor([1, 2, 3])
>>> b
tensor([[ 2, 3, 4, 5],
[ 6, 7, 8, 9],
[10, 11, 12, 13]])
>>> c1
tensor([44, 50, 56, 62])
更简单地记法,可以视为线性代数中的行向量乘矩阵,结果为第二个张量矩阵的行向量的线性组合,组合系数为第一个张量中相应的值。
>>> c2=1*b[0]+2*b[1]+3*b[2]
>>> c1.equal(c2)
True
>>> c2
tensor([44, 50, 56, 62])
还有一点需要注意,虽然matmul在进行维度扩展后,执行的是矩阵乘法,但在这种情形下,它与mm是不等价的,mm函数要求输入均为二维张量。
>>> torch.mm(a,b)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
RuntimeError: matrices expected, got 1D, 2D tensors at ../aten/src/TH/generic/THTensorMath.cpp:131