Python mxnet.symbol.linalg_gemm用法及代碼示例

用法:
mxnet.symbol.linalg_gemm(A=None, B=None, C=None, transpose_a=_Null, transpose_b=_Null, alpha=_Null, beta=_Null, axis=_Null, name=None, attr=None, out=None, **kwargs)

參數：

A：(Symbol) - 輸入矩陣的張量
B：(Symbol) - 輸入矩陣的張量
C：(Symbol) - 輸入矩陣的張量
transpose_a：(boolean, optional, default=0) - 與第一個輸入 (A) 的轉置相乘。
transpose_b：(boolean, optional, default=0) - 與第二個輸入 (B) 的轉置相乘。
alpha：(double, optional, default=1) - 標量因子乘以 A*B。
beta：(double, optional, default=1) - 標量因子乘以 C。
axis：(int, optional, default='-2') - 對應於矩陣行的軸。
name：(string, optional.) - 結果符號的名稱。

結果符號。

返回類型：

Symbol

執行一般矩陣乘法和累加。輸入是張量 A ， B ， C ，每個維度 n >= 2 並且在前導 n-2 維度上具有相同的形狀。

如果 n=2 ，則執行 BLAS3 函數 gemm：

out = alpha * op(A) * op(B) + beta * C

這裏，alpha 和 beta 是標量參數，而 op() 是單位或矩陣轉置(取決於 transpose_a ， transpose_b )。

如果 n>2 , gemm 對一批矩陣單獨執行。矩陣的列索引由張量的最後一個維度給出，行索引由 axis 參數指定的軸給出。默認情況下，尾隨二維將用於矩陣編碼。

對於非默認軸參數，執行的操作相當於一係列 swapaxes/gemm/swapaxes 調用。例如，讓 A 、 B 、 C 為 5 維張量。那麽 gemm( A , B , C , axis=1) 在沒有額外交換軸操作的開銷的情況下等價於以下內容：

A1 = swapaxes(A, dim1=1, dim2=3)
B1 = swapaxes(B, dim1=1, dim2=3)
C = swapaxes(C, dim1=1, dim2=3)
C = gemm(A1, B1, C)
C = swapaxis(C, dim1=1, dim2=3)

當輸入數據為 float32 類型且環境變量 MXNET_CUDA_ALLOW_TENSOR_CORE 和 MXNET_CUDA_TENSOR_OP_MATH_ALLOW_CONVERSION 設置為 1 時，此運算符將嘗試使用 pseudo-float16 精度(float32 math with float16 I /O) 精度，以便在合適的 NVIDIA GPU 上使用張量核心。這有時可以顯著加快速度。

注意：

該運算符僅支持 float32 和 float64 數據類型。

例子：

Single matrix multiply-add
A = [[1.0, 1.0], [1.0, 1.0]]
B = [[1.0, 1.0], [1.0, 1.0], [1.0, 1.0]]
C = [[1.0, 1.0, 1.0], [1.0, 1.0, 1.0]]
gemm(A, B, C, transpose_b=True, alpha=2.0, beta=10.0)
        = [[14.0, 14.0, 14.0], [14.0, 14.0, 14.0]]

Batch matrix multiply-add
A = [[[1.0, 1.0]], [[0.1, 0.1]]]
B = [[[1.0, 1.0]], [[0.1, 0.1]]]
C = [[[10.0]], [[0.01]]]
gemm(A, B, C, transpose_b=True, alpha=2.0 , beta=10.0)
        = [[[104.0]], [[0.14]]]

相關用法

注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.symbol.linalg_gemm。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

返回類型：

注意：