pytorch中常用的乘法运算有哪些

这篇文章主要介绍“PyTorch中常用的乘法运算有哪些”，在日常操作中，相信很多人在pytorch中常用的乘法运算有哪些问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”pytorch中常用的乘法运算有哪些”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

总结放前面：

torch.mm : 用于两个矩阵（不包括向量）的乘法。如维度为(l,m)和(m,n)相乘

torch.bmm : 用于带batch的三维向量的乘法。如维度为(b,l,m)和(b,m,n)相乘

torch.mul : 用于两个同维度矩阵的逐像素点相乘（点乘）。如维度为(l,m)和(l,m)相乘

torch.mv : 用于矩阵和向量之间的乘法（矩阵在前，向量在后）。如维度为(l,m)和(m)相乘，结果的维度为(l)。

torch.matmul : 用于两个张量(后两维满足矩阵乘法的维度)相乘或者是矩阵与向量间的乘法，因为其具有广播机制(broadcasting，自动补充维度)。如维度为(b,l,m)和(b,m,n)；(l,m)和(b,m,n)；(b,c,l,m)和(b,c,m,n)；(l,m)和(m)相乘等。【其作用包含torch.mm、torch.bmm和torch.mv】

@运算符 : 其作用类似于torch.matmul。

*运算符 : 其作用类似于torch.mul。

1、torch.mm

import torcha = torch.ones(1, 2)print(a)b = torch.ones(2, 3)print(b)output = torch.mm(a, b)print(output)print(output.size())"""tensor([[1., 1.]])tensor([[1., 1., 1.],        [1., 1., 1.]])tensor([[2., 2., 2.]])torch.Size([1, 3])"""

2、torch.bmm

a = torch.randn(2, 1, 2)print(a)b = torch.randn(2, 2, 3)print(b)output = torch.bmm(a, b)print(output)print(output.size())"""tensor([[[-0.1187,  0.2110]],        [[ 0.7463, -0.6136]]])tensor([[[-0.1186,  1.5565,  1.3662],         [ 1.0199,  2.4644,  1.1630]],        [[-1.9483, -1.6258, -0.4654],         [-0.1424,  1.3892,  0.7559]]])tensor([[[ 0.2293,  0.3352,  0.0832]],        [[-1.3666, -2.0657, -0.8111]]])torch.Size([2, 1, 3])"""

3、torch.mul

a = torch.ones(2, 3) * 2print(a)b = torch.randn(2, 3)print(b)output = torch.mul(a, b)print(output)print(output.size())"""tensor([[2., 2., 2.],        [2., 2., 2.]])tensor([[-0.1187,  0.2110,  0.7463],        [-0.6136, -0.1186,  1.5565]])tensor([[-0.2375,  0.4220,  1.4925],        [-1.2271, -0.2371,  3.1130]])torch.Size([2, 3])"""

4、torch.mv

mat = torch.randn(3, 4)print(mat)vec = torch.randn(4)print(vec)output = torch.mv(mat, vec)print(output)print(output.size())print(torch.mm(mat, vec.unsqueeze(1)).squeeze(1))"""tensor([[-0.1187,  0.2110,  0.7463, -0.6136],        [-0.1186,  1.5565,  1.3662,  1.0199],        [ 2.4644,  1.1630, -1.9483, -1.6258]])tensor([-0.4654, -0.1424,  1.3892,  0.7559])tensor([ 0.5982,  2.5024, -5.2481])torch.Size([3])tensor([ 0.5982,  2.5024, -5.2481])"""

5、torch.matmul

# 其作用包含torch.mm、torch.bmm和torch.mv。其他类似，不一一举例。a = torch.randn(2, 1, 2)print(a)b = torch.randn(2, 2, 3)print(b)output = torch.bmm(a, b)print(output)output1 = torch.matmul(a, b)print(output1)print(output1.size())"""tensor([[[-0.1187,  0.2110]],        [[ 0.7463, -0.6136]]])tensor([[[-0.1186,  1.5565,  1.3662],         [ 1.0199,  2.4644,  1.1630]],        [[-1.9483, -1.6258, -0.4654],         [-0.1424,  1.3892,  0.7559]]])tensor([[[ 0.2293,  0.3352,  0.0832]],        [[-1.3666, -2.0657, -0.8111]]])tensor([[[ 0.2293,  0.3352,  0.0832]],        [[-1.3666, -2.0657, -0.8111]]])torch.Size([2, 1, 3])"""

# 维度为(b,l,m)和(b,m,n)；(l,m)和(b,m,n)；(b,c,l,m)和(b,c,m,n)；(l,m)和(m)等a = torch.randn(2, 3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())a = torch.randn(3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())a = torch.randn(2, 3, 3, 4)b = torch.randn(2, 3, 4, 5)print(torch.matmul(a, b).size())a = torch.randn(2, 3)b = torch.randn(3)print(torch.matmul(a, b).size())"""torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 3, 5])torch.Size([2])"""

6、@运算符

# @运算符:其作用类似于torch.matmula = torch.randn(2, 3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())print((a @ b).size())a = torch.randn(3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())print((a @ b).size())a = torch.randn(2, 3, 3, 4)b = torch.randn(2, 3, 4, 5)print(torch.matmul(a, b).size())print((a @ b).size())a = torch.randn(2, 3)b = torch.randn(3)print(torch.matmul(a, b).size())print((a @ b).size())"""torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 3, 5])torch.Size([2, 3, 3, 5])torch.Size([2])torch.Size([2])"""

7、*运算符

# *运算符:其作用类似于torch.mula = torch.ones(2, 3) * 2print(a)b = torch.ones(2, 3) * 3print(b)output = torch.mul(a, b)print(output)print(output.size())output1 = a * bprint(output1)print(output1.size())"""tensor([[2., 2., 2.],        [2., 2., 2.]])tensor([[3., 3., 3.],        [3., 3., 3.]])tensor([[6., 6., 6.],        [6., 6., 6.]])torch.Size([2, 3])tensor([[6., 6., 6.],        [6., 6., 6.]])torch.Size([2, 3])"""

附：二维矩阵乘法

神经网络中包含大量的 2D 张量矩阵乘法运算，而使用 torch.matmul 函数比较复杂，因此 PyTorch 提供了更为简单方便的 torch.mm(input, other, out = None) 函数。下表是 torch.matmul 函数和 torch.mm 函数的简单对比。

torch.matmul 函数支持广播，主要指的是当参与矩阵乘积运算的两个张量中其中有一个是 1D 张量，torch.matmul 函数会将其广播成 2D 张量参与运算，最后将广播添加的维度删除作为最终 torch.matmul 函数的返回结果。torch.mm 函数不支持广播，相对应的输入的两个张量必须为 2D。

import torchinput = torch.tensor([[1., 2.], [3., 4.]])other = torch.tensor([[5., 6., 7.], [8., 9., 10.]])result = torch.mm(input, other)print(result)# tensor([[21., 24., 27.],#         [47., 54., 61.]])

到此，关于“pytorch中常用的乘法运算有哪些”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注编程网网站，小编会继续努力为大家带来更多实用的文章！