Python PyTorch baddbmm用法及代码示例

本文简要介绍python语言中 torch.baddbmm 的用法。

用法:

torch.baddbmm(input, batch1, batch2, *, beta=1, alpha=1, out=None) → Tensor

参数：

• input(Tensor) -要添加的张量

• batch1(Tensor) -第一批要相乘的矩阵

• batch2(Tensor) -第二批要相乘的矩阵

关键字参数：

• beta(数字,可选的) -input (\beta) 的乘数

• alpha(数字,可选的) -\text{batch1} \mathbin{@} \text{batch2} (\alpha) 的乘数

• out(Tensor,可选的) -输出张量。

对 batch1 和 batch2 中的矩阵执行批次 matrix-matrix 乘积。 input 添加到最终结果中。

batch1 和 batch2 必须是 3-D 张量，每个张量都包含相同数量的矩阵。

如果batch1是(b \times n \times m)张量，batch2是(b \times m \times p)张量，那么input必须是可广播的(b \times n \times p)张量并且out将是(b \times n \times p)张量。 alpha 和 beta 的含义与 torch.addbmm() 中使用的比例因子相同。

\text{out}_i = \beta\ \text{input}_i + \alpha\ (\text{batch1}_i \mathbin{@} \text{batch2}_i)

如果beta为0，则input将被忽略，其中的nan和inf不会被传播。

对于 FloatTensor 或 DoubleTensor 类型的输入，参数 beta 和 alpha 必须是实数，否则它们应该是整数。

该运算符支持 TensorFloat32。

例子：

>>> M = torch.randn(10, 3, 5)
>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> torch.baddbmm(M, batch1, batch2).size()
torch.Size([10, 3, 5])