torch几种矩阵乘法的异同

最新推荐文章于 2023-11-05 09:43:10 发布
最新推荐文章于 2023-11-05 09:43:10 发布
阅读量125 收藏
点赞数
分类专栏： 实用技术 文章标签： 矩阵 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42264992/article/details/125406740
版权

总结放前面

a&b=torch.mul(a,b)  矩阵各元素对位相乘
torch.mm(a,b)=torch.matmul(a,b)  矩阵乘法

初始化两个矩阵


input=torch.rand([4,4],dtype=torch.float64)
a=torch.randint(0,high=2,size=[4,4],dtype=torch.float64)

打印矩阵input,a值如下：

tensor([[0.2144, 0.0409, 0.8645, 0.3426],
        [0.9860, 0.8908, 0.1770, 0.1409],
        [0.2202, 0.5774, 0.5549, 0.1352],
        [0.5474, 0.7407, 0.5088, 0.9849]], dtype=torch.float64)
tensor([[1., 0., 1., 0.],
        [0., 1., 0., 1.],
        [1., 0., 0., 1.],
        [1., 1., 1., 0.]], dtype=torch.float64)

a*b

矩阵各个元素对位相乘

tensor([[0.2144, 0.0000, 0.8645, 0.0000],
        [0.0000, 0.8908, 0.0000, 0.1409],
        [0.2202, 0.0000, 0.0000, 0.1352],
        [0.5474, 0.7407, 0.5088, 0.0000]], dtype=torch.float64)

torch.mul(a,b)

矩阵各个元素对位相乘

tensor([[0.2144, 0.0000, 0.8645, 0.0000],
        [0.0000, 0.8908, 0.0000, 0.1409],
        [0.2202, 0.0000, 0.0000, 0.1352],
        [0.5474, 0.7407, 0.5088, 0.0000]], dtype=torch.float64)

torch.mm(a,b)

矩阵乘法

tensor([[1.4215, 0.3835, 0.5570, 0.9054],
        [1.3040, 1.0317, 1.1269, 1.0678],
        [0.9104, 0.7126, 0.3554, 1.1324],
        [2.0411, 1.7256, 1.5323, 1.2494]], dtype=torch.float64)

torch.matmul(a,b)

矩阵乘法

tensor([[1.4215, 0.3835, 0.5570, 0.9054],
        [1.3040, 1.0317, 1.1269, 1.0678],
        [0.9104, 0.7126, 0.3554, 1.1324],
        [2.0411, 1.7256, 1.5323, 1.2494]], dtype=torch.float64)
飞扬々岁月
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【torch小知识点03】矩阵乘法总结
羊老羊
01-24 3168
torch中，矩阵乘法总结
关于pytorch中部分矩阵乘法的总结（torch.mm,torch.mul,torch.matmul）
12-21
一、torch.mul 该乘法可简单理解为矩阵各位相乘，一个常见的例子为向量点乘，源码定义为torch.mul（input,other,out=None）。其中other可以为一个数也可以为一个张量，other为数即张量的数乘。 该函数可触发广播机制（broadcast）。 tensor1 = 2*torch.ones(1,4) tensor2 = 3*torch.ones(4,1) print(torch.mul(tensor1, tensor2)) #输出结果为： tensor([[6., 6., 6., 6.], [6., 6., 6., 6.], [6.
pytorch几种乘法的区别
qq_40887371的博客
04-05 1915
pytorch几种乘法的区别 torch.mul()是矩阵的点乘，即对应的位相乘，要求shape一样, 返回的还是个矩阵 torch.mm()是矩阵正常的矩阵相乘，（a, b）* ( b, c ) = ( a, c ) torch.dot()类似于mul()，它是向量(即只能是一维的张量)的对应位相乘再求和，返回一个tensor数值 torch.mv()是矩阵和向量相乘，类似于torch.mm() np.dot(x,y) 如果x,y都是一维张量,那么np.dot(x,y)是∑i=0mxiyi\sum_{i=
pytorch中的矩阵乘法
最新发布
chumingqian的博客
11-05 1221
关于表示常规的数学上定义的矩阵相乘；表示两个矩阵对应位置处的两个元素相乘。
pytorch 中涉及到矩阵之间的乘法（torch.mul, *, torch.mm, torch.matmul, @）
厚积而薄发
03-03 8310
最近在学习pytorch，过程中遇到一些问题，这里权当笔记记录下来，同时也供大家参考。 下面简单回顾一下矩阵中的乘法：（严谨的说，其实应该说是矩阵乘法和矩阵内积） 1、矩阵乘法   矩阵乘法也就是我们常说的矩阵向量积（也称矩阵外积、矩阵叉乘）       它要求前一个矩阵的行数等于后一个矩阵的列数，其计算方法是计算结果的每一行元素为前一个...
详解torch.Tensor的4种乘法
09-16
主要介绍了详解torch.Tensor的4种乘法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
稀疏矩阵-矩阵乘法 (SpMM) 的 新批处理算法_cuda_代码_下载
06-22
目标矩阵很小，行（或列）数为几十或几百。这种操作可以在图卷积网络的应用中找到。Batched SpMM 算法的详细信息可以在论文 (1) 中找到。 (1) Yusuke Nagasaka、Akira Nukada、Ryosuke Kojima、Satoshi Matsuoka，...
butterfly:PyTorch中的蝴蝶矩阵乘法
05-15
文件torch_butterfly/special.py显示了如何构造具有FFT，逆FFT，循环矩阵乘法，Hadamard变换和带有圆形填充的torch.nn.Conv1d的蝶形矩阵。 tests/test_special.py中的tests/test_special.py表明，这些蝶形矩阵完全...
torch 的 3种矩阵乘法运算
OrdinaryMatthew的博客
08-17 5163
说明 2 维 tensor 与 2 维 tensor，torch.matmul 函数也是执行矩阵乘法。会得到 torch.Size([1]) 而不是 torch.Size([])，Vec3 的 shape 是 torch.Size([])。结果和 torch.mm 计算出来的例 2 的结果一样的。注，输入的两个 tensor 的 shape 都是。当操作符是最最最自然的 “*” 时，执行的时。输出的 tensor 的shape 也是。的矩阵对应相乘，拼成一个。将 Mat1 修改为。.........
PyTorch 对应点相乘、矩阵相乘实例
12-23
一，对应点相乘，x.mul(y) ，即点乘操作，点乘不求和操作，又可以叫作Hadamard product；点乘再求和，即为卷积 data = [[1,2], [3,4], [5, 6]] tensor = torch.FloatTensor(data) tensor Out[27]: tensor([[ 1., 2.], [ 3., 4.], [ 5., 6.]]) tensor.mul(tensor) Out[28]: tensor([[ 1., 4.], [ 9., 16.], [ 25., 36.]]) 二，矩阵相乘，x.mm(y) ， 矩阵大小需满
torch中的几种乘法。torch.mm, torch.mul, torch.matmul
weixin_42105432的博客
09-10 2万+
一、点乘 点乘都是broadcast的，可以用torch.mul(a, b)实现，也可以直接用*实现。 >>> a = torch.ones(3,4) >>> a tensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]) >>> b = torc...
Torch中的矩阵相乘分类
张小白的博客
01-18 9365
矩阵相乘在torch中的几种情况 1、矩阵逐元素(Element-wise)乘法 torch.mul(mat1, other) mat和other可以是标量也可以是任意维度的矩阵，只要满足最终相乘是可以broadcast的即可,即该操作是支持broadcast操作的。只要mat1与other满足broadcast条件，就可可以进行逐元素相乘 。 # 生成指定张量 c = torch.Tensor([[1, 2, 3], [4, 5 ,6]]) print(c.shape) # 2*3 print(c)
关于pytorch中各种矩阵乘法运算的区别
qq_34147366的博客
05-11 495
pytorch中矩阵乘法总结，torch.mul()、torch.mm()、torch.bmm()、torch.matmul()
torch二维矩阵相乘和对应位相乘
tyler的博客
04-04 3330
import torch if __name__ == '__main__': a_1 = torch.tensor([1, 2, 3, 4, 5]) b_1 = torch.tensor([1, 0, 1, 1, 0]) result1 = torch.mm(a_1,b_1)#此处会出错 result2 = torch.mul(a_1,b_1) pr...
pytorch之torch中的几种乘法 #点乘torch.mm() #矩阵乘torch.mul()，torch.matmul() #高维Tensor相乘维度要求
夏普通
06-21 4万+
文章目录1. 点乘——`torch.mul(a, b)`2. 矩阵乘2.1. 二维矩阵乘——`torch.mm(a, b)`2.2. 高维矩阵乘——`torch.matmul(a, b)`3. 高维的Tensor相乘维度要求3.1. 对于维数相同的张量3.2. 对于维数不一样的张量 1. 点乘——torch.mul(a, b) 点乘都是broadcast的，可以用torch.mul(a, b)实现，也可以直接用*实现。 当a, b维度不一致时，会自动填充到相同维度相点乘。 import torch a =
torch.mul()——矩阵点乘运算
qq_50001789的博客
09-13 1万+
torch.mul() torch.mul(input, other, *, out=None) 输入：两个张量矩阵；输出：他们的点乘运算结果 用途： ①实现两个张量矩阵的点乘运算，可以实现广播功能(具体见案例代码)。 ②实现矩阵的数值乘法(一个常数k与矩阵做乘法，对应于广播机制) 注意： 若输入的两个矩阵形状不一致，则会通过广播功能进行数据扩充，然后再进行点乘 整数矩阵与浮点数矩阵做点乘，结果是浮点数矩阵 案例代码： ①普通点乘 import torch a=torch.tensor([[1,2,
torch.matmul和torch.mm和*区别
Lison_Zhu's Blog
11-26 2983
torch.matmul和*
PyTorch 对应点相乘、矩阵相乘
热门推荐
一千零一夜的博客
09-07 10万+
一，对应点相乘，x.mul(y) ，即点乘操作，点乘不求和操作，又可以叫作Hadamard product；点乘再求和，即为卷积 data = [[1,2], [3,4], [5, 6]] tensor = torch.FloatTensor(data) tensor Out[27]: tensor([[ 1., 2.], [ 3., 4.], [ 5....
torch 矩阵乘法
08-11
在 PyTorch 中，可以使用 `torch.matmul()` 或 `torch.mm()` 函数进行矩阵乘法操作。 `torch.matmul()` 函数可以用于执行两个张量之间的矩阵乘法，支持高维张量的操作。而 `torch.mm()` 函数则用于执行两个二维张量之间的矩阵乘法。 以下是使用这两个函数的示例代码： ```python import torch # 创建两个张量 A = torch.tensor([[1, 2], [3, 4]]) B = torch.tensor([[5, 6], [7, 8]]) # 使用 torch.matmul() 进行矩阵乘法 C = torch.matmul(A, B) # 使用 torch.mm() 进行矩阵乘法（仅限于二维张量） D = torch.mm(A, B) print("torch.matmul():") print(C) print("\ntorch.mm():") print(D) ``` 输出结果为： ``` torch.matmul(): tensor([[19, 22], [43, 50]]) torch.mm(): tensor([[19, 22], [43, 50]]) ``` 在上述示例中，我们创建了两个2x2的张量 `A` 和 `B`，然后使用 `torch.matmul()` 和 `torch.mm()` 对它们进行矩阵乘法操作，得到结果张量 `C` 和 `D`。注意，`torch.mm()` 只能用于二维张量的矩阵乘法，而 `torch.matmul()` 可以处理更高维度的张量。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值