Python PyTorch Bilinear用法及代码示例

本文简要介绍python语言中 torch.nn.Bilinear 的用法。

用法:

class torch.nn.Bilinear(in1_features, in2_features, out_features, bias=True, device=None, dtype=None)

参数：

• in1_features-每个第一个输入样本的大小

• in2_features-每个第二个输入样本的大小

• out_features-每个输出样本的大小

• bias-如果设置为 False，该层将不会学习附加偏差。默认值：True

变量：

• ~Bilinear.weight(torch.Tensor) -形状为 (\text{out\_features}, \text{in1\_features}, \text{in2\_features}) 的模块的可学习权重。这些值从 \mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化，其中 k = \frac{1}{\text{in1\_features}}

• ~Bilinear.bias-形状为 (\text{out\_features}) 的模块的可学习偏差。如果 bias 是 True ，则从 \mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化值，其中 k = \frac{1}{\text{in1\_features}}

对输入数据应用双线性变换：y = x_1^T A x_2 + b

形状：

• 输入 1：(N, *, H_{in1}) 其中 H_{in1}=\text{in1\_features} 和 * 表示任意数量的附加维度。除了输入的最后一个维度之外的所有维度都应该相同。

• 输入 2：(N, *, H_{in2}) 其中 H_{in2}=\text{in2\_features} 。

• 输出：(N, *, H_{out}) 其中 H_{out}=\text{out\_features} 和除最后一个维度之外的所有维度都与输入的形状相同。

例子：

>>> m = nn.Bilinear(20, 30, 40)
>>> input1 = torch.randn(128, 20)
>>> input2 = torch.randn(128, 30)
>>> output = m(input1, input2)
>>> print(output.size())
torch.Size([128, 40])