1.mul()
源码中是这样的。可以看到主要有两个参数是必要的,分别是两个tensor向量。
def mul(input: Union[Tensor, Number], other: Union[Tensor, Number], *, out: Optional[Tensor]=None) -> Tensor: ...
用例子测试一下:
import torch
a = torch.tensor([1, 3])
b = torch.tensor([2, 5])
print(torch.mul(a, b))
输出的结果为
tensor([ 2, 15])
可以发现,mul通过对应位置相乘,得到的值填入tensor向量中,这样需要保证输入的两个向量维度和大小一直
2.matmul()
源码如下,函数参数为两个tensor向量
def matmul(input: Tensor, other: Tensor, *, out: Optional[Tensor]=None) -> Tensor: ...
测试例子:
import torch
a = torch.tensor([1, 3])
b = torch.tensor([2, 5])
print(torch.matmul(a, b))
得出的结果为:tensor(17)
可以看出,matmul是点积乘法,通过行乘列,相加的形式。
假设
a
=
[
a
1
a
2
]
a=\begin{bmatrix} a_1&a_2 \end{bmatrix}
a=[a1a2],
b
=
[
b
11
b
12
b
13
b
21
b
22
b
23
]
b=\begin{bmatrix} b_{11} & b_{12}&b_{13}\\ b{21} & b_{22}&b_{23} \end{bmatrix}
b=[b11b21b12b22b13b23]
那么,有
m
a
t
m
u
l
(
a
,
b
)
=
[
a
1
∗
b
11
+
a
2
∗
b
21
a
1
∗
b
12
+
a
2
∗
b
22
a
1
∗
b
13
+
a
2
∗
b
23
]
matmul(a,b)=\begin{bmatrix} a_1*b_{11}+a_2*b_{21} & a_1*b_{12}+a_2*b_{22}&a_1*b_{13}+a_2*b_{23} \end{bmatrix}
matmul(a,b)=[a1∗b11+a2∗b21a1∗b12+a2∗b22a1∗b13+a2∗b23]
3.mm()
源码如下,输入的参数要求是矩阵tensor向量,要求满足二维tensor,mm()
的本质也是点乘
def mm(input: Tensor, mat2: Tensor, *, out: Optional[Tensor]=None) -> Tensor: ...
这里也给出一个例子:
import torch
a = torch.tensor([1, 3])
b = torch.tensor([2, 5])
a = torch.unsqueeze(a, dim=0)
b = torch.unsqueeze(b, dim=0).T
print(a)
print(b)
a = torch.mm(a, b)
print(a)
输出的结果为:
tensor([[1, 3]])
tensor([[2],
[5]])
tensor([[17]])