PyTorch_点积运算

点积运算要求第一个矩阵 shape:(n, m)，第二个矩阵 shape: (m, p), 两个矩阵点积运算shape为：(n,p)

1. 运算符 @ 用于进行两个矩阵的点乘运算
2. torch.mm 用于进行两个矩阵点乘运算，要求输入的矩阵为3维 （mm 代表 mat, mul）
3. torch.bmm 用于批量进行矩阵点乘运算，要求输入的矩阵为3维 (b 代表 batch)
4. torch.matmul 对进行点乘运算的两矩阵形状没有限定。
   a. 对于输入都是二维的张量相当于 mm 运算
   b. 对于输入都是三维的张量相当于 bmm 运算
   c. 对数输入的shape不同的张量，对应的最后几个维度必须符合矩阵运算规则

代码

import torch 
import numpy as np 

# 使用@运算符
def test01():
    # 形状为：3行2列 
    data1 = torch.tensor([[1,2], [3,4], [5,6]])

    # 形状为：2行2列
    data2 = torch.tensor([[5,6], [7,8]])

    data = data1 @ data2
    print(data) 

# 使用 mm 函数
def test02():
    # 要求输入的张量形状都是二维的
     # 形状为：3行2列 
    data1 = torch.tensor([[1,2], [3,4], [5,6]])

    # 形状为：2行2列
    data2 = torch.tensor([[5,6], [7,8]])

    data = torch.mm(data1, data2)   
    print(data)
    print(data.shape)

# 使用 bmm 函数
def test03():
    # 第一个维度：表示批次
    # 第二个维度：多少行
    # 第三个维度：多少列
    data1 = torch.randn(3, 4, 5)
    data2 = torch.randn(3, 5, 8)

    data = torch.bmm(data1, data2) 
    print(data.shape)


# 使用 matmul 函数
def test04():
    # 对二维进行计算
    data1 = torch.randn(4,5)
    data2 = torch.randn(5,8)
    print(torch.matmul(data1, data2).shape)

    # 对三维进行计算
    data1 = torch.randn(3, 4, 5)
    data2 = torch.randn(3, 5, 8)
    print(torch.matmul(data1, data2).shape)

    data1 = torch.randn(3, 4, 5)
    data2 = torch.randn(5, 8)
    print(torch.matmul(data1, data2).shape) 

if __name__ == "__main__":
    test04()