numpy(ndarray)和pytorch(tensor)对应点相乘、矩阵相乘操作对比总结

Mr.Q

已于 2023-02-06 09:39:14 修改

阅读量3.5k

点赞数 5

分类专栏： Python PyTorch 文章标签： numpy pytorch 矩阵

于 2020-09-10 23:09:07 首次发布

本文链接：https://blog.csdn.net/jizhidexiaoming/article/details/108524520

版权

Python 同时被 2 个专栏收录

52 篇文章 2 订阅

订阅专栏

PyTorch

38 篇文章 21 订阅

订阅专栏

numpy

torch

对应点相乘（简称点乘）

np.multiply(A, B) 或者

A * B

A.mul(B)

矩阵相乘（内积、点积）

np.dot(A, B)

A.mm(B)

1. numpy(ndarray)

A = np.array([[1, 2], [-1, 4]])
B = np.array([[2, 0], [3, 4]])
A
array([[ 1,  2],
       [-1,  4]])
B
array([[2, 0],
       [3, 4]])
------------------------------
# 对应点相乘、点乘
A * B
array([[ 2,  0],
       [-3, 16]])

np.multiply(A, B)
array([[ 2,  0],
       [-3, 16]])
------------------------------
# 矩阵相乘、点积、内积
np.dot(A, B)
array([[ 8,  8],
       [10, 16]])

2. pytorch (tensor)

import torch
A = torch.randint(0, 6, (2, 2))
B = torch.randint(0, 6, (2, 2))
A
tensor([[2, 1],
        [4, 5]])
B
tensor([[0, 3],
        [3, 4]])
---------------------------------
# 对应点相乘（点乘）
A.mul(B)
tensor([[ 0,  3],
        [12, 20]])

# 矩阵相乘、点积、内积
A.mm(B)
tensor([[ 3, 10],
        [15, 32]])