雙線性

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

對輸入資料應用雙線性變換：$y = x_1^T A x_2 + b$。

引數

• in1_features (int) – 第一個輸入樣本的大小

• in2_features (int) – 第二個輸入樣本的大小

• out_features (int) – 輸出樣本的大小

• bias (bool) – 如果設定為 False，該層將不學習加性偏置。預設值：True

形狀

• 輸入1: $(*, H_\text{in1})$ 其中 $H_\text{in1}=\text{in1\_features}$ 且 $*$ 表示任意數量的附加維度，包括零個。除了最後一個維度外，所有輸入的維度都應相同。

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

• 輸出: $(*, H_\text{out})$ 其中 $H_\text{out}=\text{out\_features}$ 並且除了最後一個維度外，所有維度的形狀與輸入相同。

變數

• weight (torch.Tensor) – 模組的可學習權重，形狀為 $(\text{out\_features}, \text{in1\_features}, \text{in2\_features})$。值初始化自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$，其中 $k = \frac{1}{\text{in1\_features}}$

• bias – 模組的可學習偏置，形狀為 $(\text{out\_features})$。如果 bias 為 True，值初始化自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$，其中 $k = \frac{1}{\text{in1\_features}}$

示例

>>> 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])