基本矩阵运算、高维张量乘法运算

最新推荐文章于 2025-03-01 20:39:09 发布
最新推荐文章于 2025-03-01 20:39:09 发布
阅读量289 收藏
点赞数 2
文章标签： 矩阵 线性代数
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_44064434/article/details/135914963
版权

通过广播机制将形状不匹配的张量扩展为匹配形状，然后进行元素级乘法运算。在实际代码中，可以使用 PyTorch 提供的广播机制来自动处理形状不匹配的情况，无需手动进行扩展操作。
在这里插入图片描述
torch.dot
点积运算：指你的两个向量的对应位置的元素相乘再相加

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

A half moon
关注
张量的线性代数运算.zip
03-03
- 矩阵的基本运算：包括矩阵乘法、向量内积、矩阵和向量的乘法等，当然，此处还包含了高维张量的基本运算，将着重探讨矩阵的基本运算拓展至三维张量中的基本方法； - 矩阵的线性代数运算：包括矩阵的迹、矩阵的秩、...
【易混区分】 tensor张量 Numpy张量的各种矩阵乘法、点积的函数对比 (dot, multiply,*,@matmul)
专注于人工智能的算法与应用
01-24 2072
我们如果把b看做1行3列的矩阵，则运算不符合运算规则，但是如果看做3行1列的矩阵，则它是正确的，即2*3 × 3 * 1=2 * 1 即最后会输出一维的向量。matmul 是matrix multiply的缩写，专门用于矩阵乘法，需要满足矩阵乘法的运算规则，需要前一个矩阵的列和后一个矩阵的行相等。他们大体相同，有一些小的差异，比如numpy的dot可以实现高维度的矩阵乘法但是torch的dot不可以。，所以需要满足矩阵乘法的运算规则，需要前一个矩阵的列和后一个矩阵的行相等。，此时相当于两个数组的点积。
张量点积_学习笔记
qq_51490702的博客
11-17 4086
在读《Python深度学习》这本书的时候，学习到张量点积这一块。二维以内的张量（向量和矩阵）的点积完全和矩阵乘法相同，因此理解起来没什么困难。但是当张量维度更高的时候呢？原文是这么说的： 更一般地说，你可以对更高维的张量做点积，只要其形状匹配遵循与前面2D张量相同的原则： (a,b,c,d) . (d,) -> （a,b,c） (a,b,c,d) . (d,e) -> （a,b,c,e） 那么，当被点积的张量维度高于二维呢？ 先说结论： (a,b,c,d) . (e,f,g,h) 点
张量乘法解析
最新发布
qq_56323274的博客
03-01 981
张量乘法
tensorflow高维度张量相乘
monteCarloStyle的博客
07-14 5778
高维度张量相乘通过tf.reshape()对高维度张量降维，验证高维度张量相乘结果 通过tf.reshape()对高维度张量降维，验证高维度张量相乘结果 最近遇到了需要将高于2维度的张量相乘的需求，通过互联网资源查到了先用tf.reshape()降到2维再运算的骚操作。下面验证这种操作的可靠性。 #测试多维矩阵乘法。问题来自于mul-attention模型的矩阵运算 #2019-7-14编辑 im...
TensorFlow中髙维张量乘法运算（RNN批量序列损失计算）
MLee的博客
05-05 6098
髙维张量tensor之间的乘法，均类似于二维矩阵的乘法，但需要满足最后两个维度符合矩阵乘法要求的维度，且其他维度均必须要相等的原则 import tensorflow as tf import numpy as np a = tf.constant(np.arange(1, 13, dtype=np.float32), shape=[2, 2, 3]) b = tf.constant(np.ar...
【深度学习】Pytorch教程（八）：PyTorch数据结构：2、张量的数学运算（6）：高维张量：乘法、卷积（conv2d~四维张量；conv3d~五维张量）
天地玄黄 魑魅魍魉 风花雪月 商角徵羽
02-21 1978
本文将介绍pytorch高维张量的乘法、卷积操作（conv2d、conv3d）
高维矩阵乘法学习总结
qq_51346719的博客
07-31 302
高维就是低维的堆叠
matlab高维张量运算工具：tensor_toolbox_2.1介绍
使用该工具箱，研究人员和工程师能够以更加简洁和高效的方式进行高维矩阵运算，提高了数据处理和模型构建的灵活性和可靠性。 总的来说，tensor_toolbox工具箱是MATLAB用户在高维数据处理方面的一个重要补充。它不仅...
高维张量运算应用—卷积层的反向求导
PKU_ZZY的博客
06-25 3242
高维张量运算应用—卷积层的反向求导
Zygote的维度扩展：处理高维张量
与传统的二维矩阵相比，高维张量具有更高的维度和更丰富的表达能力，因此在处理大规模复杂数据时具有优势。高维张量在机器学习、图像处理、自然语言处理等应用中广泛使用。 然而，处理高维张量的挑战在于其维度的...
张量乘法和矩阵乘法的区别
09-13
在张量乘法中，我们可以根据不同的维度对张量进行矩阵化，然后进行乘法运算。这种方式可以在处理多维数据时提供更大的灵活性。然而，需要注意的是，不同的模式会导致不同的乘法结果。 综上所述，张量乘法和矩阵乘法...
【深度学习中的数学】高维矩阵乘法规则
qq_41682740的博客
05-10 4944
⾼维矩阵指维度≥3的矩阵，或者叫张量。 高维矩阵相乘分两种情况：1.相同维度 2.不同维度 1.相同维度矩阵 本质上还是⼆维矩阵之间的乘法，即把最后两个维度看成矩阵，执⾏⼆维矩阵乘法。 要求：1）后两维满足二维矩阵乘法 2）前几维形状相同 例如（a,b,c,d）可与（a,b,d,e）相乘 但由于广播机制的存在，要求2）不满足时也可进行相乘，前几维取较大的形状 （a,b,c,d）*(e,f,d,g)=(max{a,b},max{b,f},c,g) 实战中可以使用numpy中的matmul()
TensorFlow高阶张量叉乘
weixin_42272768的博客
02-27 1086
设A为[d1,d2,…dn,m,p]的张量，B为[d1,d2,…dn,p,n] 的张量，那么称[d1,d2,…dn,m,n]的张量C为张量A与B的叉乘。 举例如下： import tensorflow as tf a=range(72) b=tf.reshape(a,[3,2,3,4]) b=tf.cast(b,dtype=tf.float32) c=tf.reshape(b,[3,2,4,3]) print(tf.matmul(b,c)) print(b@c) ...
Pytorch中张量矩阵乘法函数(mm, bmm, matmul)使用说明，含高维张量实例及运行结果
qq_39407949的博客
09-14 1万+
input(Tensor) – – 第一个要相乘的矩阵** mat2* (Tensor) – – 第二个要相乘的矩阵不支持广播到通用形状、类型推广以及整数、浮点和复杂输入。input(Tensor) – – 第一批要相乘的矩阵** mat2* (Tensor) – – 第二批要相乘的矩阵不支持广播到通用形状、类型推广以及整数、浮点和复杂输入。input(Tensor) – – 第一个要相乘的张量** mat2* (Tensor) – – 第二个要相乘的张量支持。
PyTorch中matmul函数的矩阵相乘原则和注意事项
qq_46396470的博客
07-01 1392
为什么是这样，因为其实高维矩阵的乘法就是分别从高维中选取对应位置的一对矩阵（普通矩阵）相乘把高维都遍历完了，整个高维矩阵乘法也就完成了。最后2维为矩阵乘法正常计算完成应该有的维度，而高维则以参与计算的两个矩阵中，维度更大的那个矩阵的维度为准。最后，我们考虑更高维度的情况，例如四维张量。那么原参与计算的矩阵形状，高维有多大，计算结果就应该有多大（因为高维只遍历），我们对最后两个维度进行了矩阵相乘，得到的结果张量 C 的形状是。，我们对最后两个维度进行了矩阵相乘，得到的结果张量 C 的形状是。
numpy, Tensorflow一个矩阵与多维矩阵相乘（不同维度的Tensor相乘）
夜晓岚的博客
05-22 7021
张量相乘在深度学习中经常遇到，这里我们简单介绍一下numpy和tensorflow中的张量相乘。 1、对于维数一样的张量相乘。A.shape =（b,m,n), B.shape = (b,n,k). numpy.matmul(A,B) 结果shape为(b,m,k) 这里要求第一维度相同。后两个维度能满足矩阵相乘条件。 2、但是对于维数不一样的张量如何处理呢？比如A.shape =（m,n), B.shape = (b,n,k). C.shape=(k,l) numpy.matmul(A,B) .
张量学习（7）：张量乘积
热门推荐
keith的博客
11-21 4万+
向量的外积、张量内积、张量积(直积)、Kronecker乘积、Hadamard乘积、Khatri-Rao乘积、张量乘法（张量内积和张量乘以矩阵）
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