torch中的mul()、matmul()和mm()

1.mul()

源码中是这样的。可以看到主要有两个参数是必要的，分别是两个tensor向量。

def mul(input: Union[Tensor, Number], other: Union[Tensor, Number], *, out: Optional[Tensor]=None) -> Tensor: ...

用例子测试一下：

import torcha = torch.tensor([1, 3])
b = torch.tensor([2, 5])
print(torch.mul(a, b))

输出的结果为
tensor([ 2, 15])

可以发现，mul通过对应位置相乘，得到的值填入tensor向量中，这样需要保证输入的两个向量维度和大小一直

2.matmul()

源码如下，函数参数为两个tensor向量

def matmul(input: Tensor, other: Tensor, *, out: Optional[Tensor]=None) -> Tensor: ...

测试例子：

import torcha = torch.tensor([1, 3])
b = torch.tensor([2, 5])
print(torch.matmul(a, b))

得出的结果为：tensor(17)

可以看出，matmul是点积乘法，通过行乘列，相加的形式。
假设a=[a1a2]a=\\begin{bmatrix} a_1&a_2 \\end{bmatrix}a=[a1​​a2​​]，b=[b11b12b13b21b22b23]b=\\begin{bmatrix} b_{11} & b_{12}&b_{13}\\\\ b{21} & b_{22}&b_{23} \\end{bmatrix}b=[b11​b21​b12​b22​​b13​b23​​]
那么，有
matmul(a,b)=[a1∗b11+a2∗b21a1∗b12+a2∗b22a1∗b13+a2∗b23]matmul(a,b)=\\begin{bmatrix} a_1*b_{11}+a_2*b_{21} & a_1*b_{12}+a_2*b_{22}&a_1*b_{13}+a_2*b_{23} \\end{bmatrix} matmul(a,b)=[a1​∗b11​+a2​∗b21​​a1​∗b12​+a2​∗b22​​a1​∗b13​+a2​∗b23​​]

3.mm()

源码如下，输入的参数要求是矩阵tensor向量，要求满足二维tensor，mm()的本质也是点乘

def mm(input: Tensor, mat2: Tensor, *, out: Optional[Tensor]=None) -> Tensor: ...

这里也给出一个例子：

import torcha = torch.tensor([1, 3])
b = torch.tensor([2, 5])a = torch.unsqueeze(a, dim=0)
b = torch.unsqueeze(b, dim=0).T
print(a)
print(b)
a = torch.mm(a, b)
print(a)

输出的结果为：

tensor([[1, 3]])
tensor([[2],[5]])
tensor([[17]])

CCPO手机社区