【Pytorch学习】torch.mm()&torch.matmul()和torch.mul()以及torch.spmm()

原创 已于 2023-02-16 12:27:11 修改 · 1.7w 阅读 · 85 ·
CC 4.0 BY-SA版权
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。
文章标签：

#人工智能 #深度学习

于 2021-04-07 20:27:02 首次发布
本文介绍了PyTorch中几种矩阵乘法函数的使用，包括torch.mul()、torch.mm()、torch.matmul()和torch.spmm()。torch.mul()实现元素级相乘，torch.mm()用于二维矩阵乘法，torch.matmul()则支持高维矩阵的乘法运算，而torch.spmm()针对稀疏矩阵。这些函数是深度学习中进行张量计算的重要工具。

目录

1 引言

  做深度学习过程中免不了使用pytorch，刚上手可能觉得pytorch是一门新语言。过一段时间之后发现其用法跟python极其相似，python的很多函数名都可以用到torch中。当然也有一些不同，毕竟张量的计算可以用GPU啊。

2 torch.mul(a, b)

  torch.mul(a, b) 是矩阵 a a a 和 b b b 对应位相乘， a a a 和 b b b 的维度必须相等，比如 a a a的维度是 ( 1 , 2 ) (1, 2) (1,2)， b b b<

最低0.47元/天 解锁文章
torch.bmm()和torch.matmul()函数的用法和区别，矩阵相乘
weixin_43918046的博客
10-04 5497
torch.bmm()和torch.matmul()都是矩阵乘法的运算函数，区别是，torch.matmul更强大。 两者都可以支持3维的矩阵运算，实际是第一维只是找下标，后面2维才是矩阵，然后对应做矩阵乘法。 import torch x = torch.rand(2,3,2) y = torch.rand(2,2,4) print('矩阵x:',x) print('矩阵y:',y) print('matmul运算：') print(torch.matmul(x,y)) print('bmm运算：')
pytorch矩阵乘法
百般回首曾经的相遇，留下的只是一缕残忆
11-25 1226
torch.matmul是PyTorch中执行一般矩阵乘法的函数，它接受两个矩阵作为输入，并返回它们的乘积。它适用于任何两个矩阵，无论是密集矩阵还是稀疏矩阵。
PyTorch中的广播机制：torch.matmul
最新发布
Z131514的博客
10-03 883
在进入广播的奇妙世界之前，我们先回到最熟悉的领域：二维矩阵乘法。在PyTorch中，如果你有两个二维张量（矩阵），的行为就和我们在线性代数中学到的一模一样。 输出结果： 这里，一个的矩阵和一个的矩阵相乘，得到一个的矩阵。这和我们预想的一样，中规中矩，没什么特别的。值得一提的是，Python 3.5+ 引入的运算符在PyTorch中被重载为的中缀表示法，所以和是等价的。在实际编码中，我更推荐使用，因为它更简洁，可读性也更好。现在，我们开始让事情变得有趣起来。当的输入不再是两个标准的二维矩阵时，广播机制就开始登
torch.mm、torch.bmm、torch.matmul
@bangbang的博客
11-22 743
torch.matmul 是更通用的矩阵乘法操作，它支持多维张量，并能够自动广播。适用场景: 当需要对多个矩阵进行批量乘法时使用。根据输入维度和操作需求，选择合适的矩阵乘法函数！，即一批二维矩阵之间的矩阵乘法。
torch.mm函数介绍
m0_73765519的博客
04-20 997
是 PyTorch 中用于执行矩阵乘法（matrix multiplication）的函数。它能够将两个给定的张量进行矩阵乘法运算，得到结果张量。两个输入张量的维度必须满足矩阵乘法的要求，即第一个张量的列数必须等于第二个张量的行数。在这个例子中，我们定义了两个 2x2 的矩阵。函数执行了矩阵乘法运算，得到了结果矩阵。下面是一个简单的例子，说明了。
【pytorch】torch.mm，torch.bmm以及torch.matmul的使用
热门推荐
安安爸Chris的专栏
08-19 3万+
torch.mm torch.mm是两个矩阵相乘，即两个二维的张量相乘 如下面的例子 mat1 = torch.randn(2,3) print("mat1=", mat1) mat2 = torch.randn(3,2) print("mat2=", mat2) mat3 = torch.mm(mat1, mat2) print("mat3=", mat3) 但是如果维度超过二维，则会报错。RuntimeError: self must be a matrix torch.bmm 它其实就是加了一
torch.matmul的前后两个矩阵维度不同的小结
闲看庭前雪的博客
05-18 2217
系列文章目录 本系列记录自己的代码学习知识 torch.matmul的前后两个矩阵维度不同的小结系列文章目录前言一、torch.matmul()二、详解解释1.input维度比other大2.input维度比other小总结 前言 一、torch.matmul() torch.matmul()也是一种类似于矩阵相乘操作的tensor联乘操作。但是它可以利用python 中的广播机制，处理一些维度不同的tensor结构进行相乘操作。这也是该函数与torch.bmm()区别所在。 torch.matm
torch、torch_sparse、dgl三者spmm显存占用对比
先云的博客
03-30 3823
简单比较一下torch原生，torch_sparse(pyG依赖模块)以及DGL中spmm的显存占用和时间 torch原生，显存占用主要是对结点敏感（bakward的时候用的稠密张量）。 # -*- coding: utf-8 -*- """ @Author: @Time: 2020/12/1 @Description: """ import torch import numpy as np import torch_sparse import dgl import time n = 60000 nn
torch_sparse-0.6.10-cp36-cp36m-macosx_10_14_x86_64whl.zip
01-15
1. **稀疏矩阵乘法**：除了PyTorch原生的`mm()`外，`torch_sparse`还提供了`spmm()`、`gsdmm()`等函数，用于更高效的稀疏-密集矩阵乘法和图稀疏矩阵乘法。 2. **稀疏张量的构建和转换**：如`coalesce()`用于合并...
torch_sparse-0.6.10-cp37-cp37m-win_amd64whl.zip
01-22
`torch_sparse`库提供了一系列操作稀疏张量的函数，这些函数与PyTorch中的稠密张量操作保持一致，如`add()`, `mul()`, `matmul()`等。此外，还包含了一些针对图神经网络特有的操作，如`spmm()`（稀疏矩阵与密集矩阵...
关于pytorch中部分矩阵乘法的总结（torch.mm,torch.mul,torch.matmul）
12-21
一、torch.mul 该乘法可简单理解为矩阵各位相乘，一个常见的例子为向量点乘，源码定义为torch.mul（input,other,out=None）。其中other可以为一个数也可以为一个张量，other为数即张量的数乘。 该函数可触发广播机制（broadcast）。 tensor1 = 2*torch.ones(1,4) tensor2 = 3*torch.ones(4,1) print(torch.mul(tensor1, tensor2)) #输出结果为： tensor([[6., 6., 6., 6.], [6., 6., 6., 6.], [6.
pytorch:torch.mm()和torch.matmul()的使用
09-18
今天小编就为大家分享一篇pytorch:torch.mm()和torch.matmul()的使用，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
详解torch.dot()、torch.outer()、torch.mul()、torch.mm()和torch.matmul()等函数使用技巧
li1784506的博客
03-24 8641
torch.matmul()函数可以用于1维向量×1维向量，1维向量×2维矩阵，2维矩阵×1维向量，矩阵相乘等不同情况。现将相关案例进行介绍方便日后回顾。
torch.mm()和torch.matmul()
m0_62229095的博客
12-08 994
torch.mm()和都是PyTorch库中用来进行矩阵乘法的函数，但它们在处理输入时有一些不同。torch.mm()：这个函数仅接受二维矩阵作为输入，并进行矩阵乘法。如果输入的张量不是二维的，它会抛出一个错误。：这个函数可以接受高于二维的张量，并进行适当的广播和矩阵乘法。对于二维矩阵，和torch.mm()的行为是相同的。# 张量a的第0维的大小是3，而张量b的第0维的大小是2，这两者不匹配，都不是1，不能广播。
pytorch的mm()函数
Vertira的博客
06-29 2246
pytorch的mm()函数
torch中的几种乘法。torch.mm, torch.mul, torch.matmul
Running Snail
10-24 6061
一、点乘 点乘都是broadcast的，可以用torch.mul(a, b)实现，也可以直接用*实现。 a = torch.ones(3,4) a tensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]) b = torch.Tensor([1,2,3]).reshape((3,1)) b tensor([[1.], [2.], [3.]]) torch.mul(a, b) tensor([[1., 1., 1., 1
【Pytorch】进阶学习：实现矩阵乘法---torch.mul() 、 torch.mm() 和torch.matmul()的区别
m0_58477260的博客
04-15 3449
总结一下，torch.mm()和这三个函数的主要区别在于它们处理张量的方式和维度要求不同。执行的是元素级别的乘法，要求输入张量形状相同；torch.mm()执行的是标准的矩阵乘法，只适用于二维张量；而则提供了更广义的矩阵乘法，可以处理任意维度的张量，包括批量矩阵乘法。确保输入张量的形状符合函数的要求，否则可能会引发错误。对于矩阵乘法，需要注意矩阵的维度匹配问题，即第一个矩阵的列数必须等于第二个矩阵的行数。在进行批量矩阵乘法时，使用可以方便地处理多个矩阵的乘法运算。
pytorch:torch.mm()和torch.matmul()
jacke121的专栏
08-16 2394
相同：都可以来做矩阵相乘： a = torch.randn(2, 3) b = torch.randn(3, 2) print(torch.mm(a, b)) print(torch.matmul(a, b)) 区别： matmul支持向量相乘，mm不支持。 import torch x = torch.rand(2) y = torch.rand(2) print(torch.matmul(x, y)) prin..
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