Numpy 与Pytorch 关于一维数组的处理（2）

1 一维数组在点积的右边

Numpy中的一维数组 B = np.array([7, 8]) ，表现形式是行向量，参与运算的时候，表现为二维列向量。

A = np.array([[1, 2], [3, 4], [5, 6]])
print(A.shape)        # (3 , 2)
B = np.array([7, 8])  # (2,)
print(np.dot(A, B))   # (3,)

(3, 2)
(2,)
[23 53 83] (3,)
上述相同的代表，在Pytorch中表现如何呢，将上式上的np.array换成torch.tensor

import torch
A = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(A.shape)
B = torch.tensor([7, 8])
print(B)
C = torch.mm(A, B)
print(C, C.shape)

torch.Size([3, 2])
tensor([7, 8])
Traceback (most recent call last):
C = torch.mm(A, B)
RuntimeError: mat2 must be a matrix
出现了报错，B不是一个矩阵,
为了达到，跟上述一致的结果，采用的方法是,torch.unsqueeze

import torch
A = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(A.shape)
B = torch.tensor([7, 8]).unsqueeze(1)
print(B)
C = torch.mm(A, B)
print(C, C.shape)

torch.Size([3, 2])
tensor(
[[7],
[8]])
tensor(
[[23],
[53],
[83]]) torch.Size([3, 1])
到此为止，两个框架得到了，一致的结果。 Pytorch中先将一维数组array转化为二维数组matrix，然后，再进行运算。

2 一维数组在点积的左边

import numpy as np
X = np.array([1.0, 0.5])
W1 = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
B1 = np.array([0.1, 0.2, 0.3])

print(X.shape)  # (2,)
print(W1.shape)  # (2, 3)
print(B1.shape)  # (3,)

A1 = np.dot(X, W1) + B1
print(A1)

(2,)
(2, 3)
(3,)
[0.3 0.7 1.1]
同样的方式，转化为Pytorch的Tensor格式：

import torch
X = torch.tensor([1.0, 0.5])
W1 = torch.tensor([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
B1 = torch.tensor([0.1, 0.2, 0.3])

print(X.shape) 
print(W1.shape) 
print(B1.shape)  

A1 = torch.mm(X, W1) + B1
print(A1)

torch.Size([2])
torch.Size([2, 3])
torch.Size([3])
Traceback (most recent call last):
File “d:/MyDesktop/my/t.py”, line 534, in
A1 = torch.mm(X, W1) + B1
RuntimeError: self must be a matrix
报错的结果也是说，A不是一个matrix， 怎么处理才能达到如上同样的结果呢？ pytorch.unsqueeze()

import torch
X = torch.tensor([1.0, 0.5]).unsqueeze(dim=0)
W1 = torch.tensor([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
B1 = torch.tensor([0.1, 0.2, 0.3])

print(X.shape)  # (2,)
print(W1.shape)  # (2, 3)
print(B1.shape)  # (3,)

A1 = torch.mm(X, W1) + B1
print(A1)

结果如下：
torch.Size([1, 2])
torch.Size([2, 3])
torch.Size([3])
tensor([[0.3000, 0.7000, 1.1000]])

小结

矩阵的乘法，遵守，(m,p).dot(p,n) 得到的结果同( m,n )，Numpy的语法结构，对于一维数组同矩阵的乘法不那么的严谨，而Pytorch中则会直接报错。
Pytorch中，则对于，一维数组同矩阵的乘法，如果在右边，则需要 unsqueeze(dim=1)，如果在左边，则需要.unsqueeze(dim=0)