Torch中的矩阵相乘分类_torch矩阵乘法

矩阵相乘在torch中的几种情况

• 1、矩阵逐元素(Element-wise)乘法 torch.mul(mat1, other)

mat和other可以是标量也可以是任意维度的矩阵，只要满足最终相乘是可以broadcast的即可,即该操作是支持broadcast操作的。只要mat1与other满足broadcast条件，就可可以进行逐元素相乘 。

# 生成指定张量
c = torch.Tensor([[1, 2, 3], [4, 5 ,6]])
print(c.shape)  # 2*3
print(c)

# 生成随机张量
d = torch.randn(2,2,3) 
print(d)
print(d.shape)  # 2*2*3

mul = torch.mul(c, d) # c会自动broadcast和d进行匹配
print(mul.shape)      # 2*2*3
print(mul)
1
2
3
4
5
6
7
8
9
10
11
12
13

• 2、 二维矩阵相乘 torch.mm(a, b)

该函数一般只能用来计算两个二维矩阵的矩阵乘法，而且不支持broadcast操作。

• 3、三维带Batch矩阵乘法 torch.bmm()

$torch.bmm(bmat1,bmat2)$， 其中$bmat1(B\times n\times m)$,$bmat2(B\times m\times d)$输出的维度是$out$的尺度是$B\times n\times d$,该函数两个输入必须三维矩阵中的第一维要要相同，不支持broadCast操作。

• 4、多维数据矩阵相乘torch.matmul(a, b)

矩阵乘法使用使用两个参数的后两个维度来计算，其他的维度都可以认为是batch维度。这个可用范围更广

假设两个输入的维度分别是$input=(1000\times 500\times 99\times 11)$, $other=(500\times 11\times 99)$，那么我们可以认为 乘法$torch.matmul(input,other)$首先是进行后两位矩阵乘法得到$99\times 99$ ，可以广播成为 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DHzguPmS-1642437999480)(https://www.zhihu.com/equation?tex=%281000+%5Ctimes+500%29)]， 因此最终输出的维度是 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-U2kJGZUO-1642437999483)(https://www.zhihu.com/equation?tex=%EF%BC%881000+%5Ctimes+500+%5Ctimes+99+%5Ctimes+99%29)]。

a = torch.randn(4,5)
b = torch.randn(5, 4)
print(torch.matmul(a,b))

a = torch.randn(2,4,5)
b = torch.randn(5, 4)
print(torch.matmul(a,b))

a = torch.randn(2, 3,4,5)
b = torch.randn(5, 4)
print(torch.matmul(a,b))

1
2
3
4
5
6
7
8
9
10
11
12

• 扩展稀疏张量矩阵

  Torch支持COO（rdinate）格式的稀疏张量，可以有效地存储和处理大多数元素为零的张量。

  sparse tensor 可以表示为一对 dense tensors：一个张量的value和一个二维的张量 indices一个稀疏张量可以通过提供这两个张量, 以及稀疏张量的大小来构造(从这些张量是无法推导出来的!)假设我们要定义一个稀疏张量, 其中 3在(0,2)处, 4在(1,0)处, 5在(1,2)处, 然后我们可以这样写：

i = torch.LongTensor([[0, 1, 1],
                          [2, 0, 2]])
v = torch.FloatTensor([3, 4, 5])
torch.sparse.FloatTensor(i, v, torch.Size([2,3])).to_dense()

结果：
 0  0  3
 4  0  5
[torch.FloatTensor of size 2x3]
1
2
3
4
5
6
7
8
9

import torch
 
if __name__ == '__main__':
    # 对应的索引坐标(0,0)是2， (1,0)为3
    indices = torch.tensor([[0,1],
                            [0,0]])
    # 也可以写成数组，但是要转置
    ind = torch.tensor([[0,0],[1,0]])
    #稀疏矩阵对应的值
    values = torch.tensor([2,3])
    # 稀疏矩阵的大小
    shape = torch.Size((2,2))

    # 创建稀疏矩阵，传入三个参数
    s = torch.sparse.FloatTensor(indices,values,shape)
    s2 = torch.sparse.FloatTensor(ind.t(), values, shape)
 
    # 显示对应的稀疏矩阵
    print(s.to_dense())
    print(s2.to_dense())
    print(s)
    d = torch.tensor([[1,2],
                      [3,4]])
    e = torch.tensor([[2,3],[2,3]])
    # 矩阵相乘的时候只能稀疏矩阵在前
    print(torch.spmm(s,d
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

参考链接

torch离散矩阵