torch.baddbmm

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

執行 batch1 和 batch2 中矩陣的批次矩陣乘法。結果中新增 input。

batch1 和 batch2 必須是 3-D 張量，且每個張量包含相同數量的矩陣。

如果 batch1 是一個 $(b \times n \times m)$ 張量，batch2 是一個 $(b \times m \times p)$ 張量，則 input 必須能夠 廣播 到一個 $(b \times n \times p)$ 張量，並且 out 將是一個 $(b \times n \times p)$ 張量。alpha 和 beta 的含義與 torch.addbmm() 中使用的縮放因子相同。

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

如果 beta 為 0，則忽略 input 的內容，其中的 nan 和 inf 將不會傳播。

對於 FloatTensor 或 DoubleTensor 型別的輸入，引數 beta 和 alpha 必須是實數，否則應為整數。

此運算元支援 TensorFloat32。

在某些 ROCm 裝置上，使用 float16 輸入時，此模組在反向傳播時會使用 不同的精度。

引數

• input (Tensor) – 要新增的張量

• batch1 (Tensor) – 要相乘的第一批矩陣

• batch2 (Tensor) – 要相乘的第二批矩陣

關鍵字引數

• beta (Number, optional) – input 的乘數 ($\beta$)

• alpha (Number, optional) – $\text{batch1} \mathbin{@} \text{batch2}$ 的乘數 ($\alpha$)

• out (Tensor, optional) – 輸出張量。

示例

>>> 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])