Pytorch深度學習addmm()和addmm_()函數(shù)用法解析
更新時間：2022年06月10日 09:12:41 作者：悲戀花丶無心之人
這篇文章主要為大家介紹了Pytorch中addmm()和addmm_()函數(shù)用法解析,有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪
一、函數(shù)解釋
在torch/_C/_VariableFunctions.py的有該定義，意義就是實現(xiàn)一下公式：
換句話說，就是需要傳入5個參數(shù)，mat里的每個元素乘以beta，mat1和mat2進行矩陣乘法（左行乘右列）后再乘以alpha，最后將這2個結(jié)果加在一起。但是這樣說可能沒啥概念，接下來博主為大家寫上一段代碼，大家就明白了~
def addmm(self, beta=1, mat, alpha=1, mat1, mat2, out=None): # real signature unknown; restored from __doc__
"""
addmm(beta=1, mat, alpha=1, mat1, mat2, out=None) -> Tensor
Performs a matrix multiplication of the matrices :attr:`mat1` and :attr:`mat2`.
The matrix :attr:`mat` is added to the final result.
If :attr:`mat1` is a :math:`(n \times m)` tensor, :attr:`mat2` is a
:math:`(m \times p)` tensor, then :attr:`mat` must be
:ref:`broadcastable <broadcasting-semantics>` with a :math:`(n \times p)` tensor
and :attr:`out` will be a :math:`(n \times p)` tensor.
:attr:`alpha` and :attr:`beta` are scaling factors on matrix-vector product between
:attr:`mat1` and :attr`mat2` and the added matrix :attr:`mat` respectively.
.. math::
out = \beta\ mat + \alpha\ (mat1_i \mathbin{@} mat2_i)
For inputs of type `FloatTensor` or `DoubleTensor`, arguments :attr:`beta` and
:attr:`alpha` must be real numbers, otherwise they should be integers.
Args:
beta (Number, optional): multiplier for :attr:`mat` (:math:`\beta`)
mat (Tensor): matrix to be added
alpha (Number, optional): multiplier for :math:`mat1 @ mat2` (:math:`\alpha`)
mat1 (Tensor): the first matrix to be multiplied
mat2 (Tensor): the second matrix to be multiplied
out (Tensor, optional): the output tensor
Example::
>>> M = torch.randn(2, 3)
>>> mat1 = torch.randn(2, 3)
>>> mat2 = torch.randn(3, 3)
>>> torch.addmm(M, mat1, mat2)
tensor([[-4.8716, 1.4671, -1.3746],
[ 0.7573, -3.9555, -2.8681]])
"""
pass二、代碼范例
1.先擺出代碼，大家可以先復制粘貼運行一下，在之后博主會一一講解
"""
@author:nickhuang1996
"""
import torch
rectangle_height = 3
rectangle_width = 3
inputs = torch.randn(rectangle_height, rectangle_width)
for i in range(rectangle_height):
for j in range(rectangle_width):
inputs[i] = i * torch.ones(rectangle_width)
'''
inputs and its transpose
-->inputs = tensor([[0., 0., 0.],
[1., 1., 1.],
[2., 2., 2.]])
-->inputs_t = tensor([[0., 1., 2.],
[0., 1., 2.],
[0., 1., 2.]])
'''
print("inputs:\n", inputs)
inputs_t = inputs.t()
print("inputs_t:\n", inputs_t)
'''
inputs_t @ inputs_t [[0., 1., 2.], [[0., 1., 2.], [[0., 3., 6.]
= [0., 1., 2.], @ [0., 1., 2.], = [0., 3., 6.]
[0., 1., 2.]] [0., 1., 2.]] [0., 3., 6.]]
'''
'''a, b, c and d = 1 * inputs + 1 * (inputs_t @ inputs_t)'''
a = torch.addmm(input=inputs, mat1=inputs_t, mat2=inputs_t)
b = inputs.addmm(mat1=inputs_t, mat2=inputs_t)
c = torch.addmm(input=inputs, beta=1, mat1=inputs_t, mat2=inputs_t, alpha=1)
d = inputs.addmm(beta=1, mat1=inputs_t, mat2=inputs_t, alpha=1)
'''e and f = 1 * inputs + 1 * (inputs_t @ inputs_t)'''
e = torch.addmm(inputs, inputs_t, inputs_t)
f = inputs.addmm(inputs_t, inputs_t)
'''1 * inputs + 1 * (inputs_t @ inputs_t)'''
g = inputs.addmm(1, inputs_t, inputs_t)
'''2 * inputs + 1 * (inputs_t @ inputs_t)'''
g2 = inputs.addmm(2, inputs_t, inputs_t)
'''h = 1 * inputs + 1 * (inputs_t @ inputs_t)'''
h = inputs.addmm(1, 1, inputs_t, inputs_t)
'''h12 = 1 * inputs + 2 * (inputs_t @ inputs_t)'''
h12 = inputs.addmm(1, 2, inputs_t, inputs_t)
'''h21 = 2 * inputs + 1 * (inputs_t @ inputs_t)'''
h21 = inputs.addmm(2, 1, inputs_t, inputs_t)
print("a:\n", a)
print("b:\n", b)
print("c:\n", c)
print("d:\n", d)
print("e:\n", e)
print("f:\n", f)
print("g:\n", g)
print("g2:\n", g2)
print("h:\n", h)
print("h12:\n", h12)
print("h21:\n", h21)
print("inputs:\n", inputs)
'''inputs = 1 * inputs - 2 * (inputs @ inputs_t)'''
'''
inputs @ inputs_t [[0., 0., 0.], [[0., 1., 2.], [[0., 0., 0.]
= [1., 1., 1.], @ [0., 1., 2.], = [0., 3., 6.]
[2., 2., 2.]] [0., 1., 2.]] [0., 6., 12.]]
'''
inputs.addmm_(1, -2, inputs, inputs_t) # In-place
print("inputs:\n", inputs)2.其中
inputs是一個3×3的矩陣，為
tensor([[0., 0., 0.],
[1., 1., 1.],
[2., 2., 2.]])inputs_t也是一個3×3的矩陣，是inputs的轉(zhuǎn)置矩陣，為
tensor([[0., 1., 2.],
[0., 1., 2.],
[0., 1., 2.]])* inputs_t @ inputs_t為
'''
inputs_t @ inputs_t [[0., 1., 2.], [[0., 1., 2.], [[0., 3., 6.]
= [0., 1., 2.], @ [0., 1., 2.], = [0., 3., 6.]
[0., 1., 2.]] [0., 1., 2.]] [0., 3., 6.]]
'''3.代碼中a，b，c和d展示的是完全形式，即標明了位置參數(shù)和傳入?yún)?shù)?？梢钥吹絠nput這個位置參數(shù)可以寫在函數(shù)的前面，即
torch.addmm(input, mat1, mat2) = inputs.addmm(mat1, mat2)
完成的公式為：
1 × inputs + 1 ×（inputs_t @ inputs_t）
'''a, b, c and d = 1 * inputs + 1 * (inputs_t @ inputs_t)''' a = torch.addmm(input=inputs, mat1=inputs_t, mat2=inputs_t) b = inputs.addmm(mat1=inputs_t, mat2=inputs_t) c = torch.addmm(input=inputs, beta=1, mat1=inputs_t, mat2=inputs_t, alpha=1) d = inputs.addmm(beta=1, mat1=inputs_t, mat2=inputs_t, alpha=1)
a:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
b:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
c:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
d:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])4.下面的例子更好了說明了input參數(shù)的位置可變性，并且beta和alpha都缺省了：
完成的公式為：
1 × inputs + 1 ×（inputs_t @ inputs_t）
'''e and f = 1 * inputs + 1 * (inputs_t @ inputs_t)''' e = torch.addmm(inputs, inputs_t, inputs_t) f = inputs.addmm(inputs_t, inputs_t)
e:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
f:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])5.加一個參數(shù)，實際上是添加了beta這個參數(shù)
完成的公式為：
g = 1 × inputs + 1 ×（inputs_t @ inputs_t）
g2 = 2 × inputs + 1 ×（inputs_t @ inputs_t）
'''1 * inputs + 1 * (inputs_t @ inputs_t)''' g = inputs.addmm(1, inputs_t, inputs_t) '''2 * inputs + 1 * (inputs_t @ inputs_t)''' g2 = inputs.addmm(2, inputs_t, inputs_t)
g:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
g2:
tensor([[ 0., 3., 6.],
[ 2., 5., 8.],
[ 4., 7., 10.]])6.再加一個參數(shù)，實際上是添加了alpha這個參數(shù)
完成的公式為：
h = 1 × inputs + 1 ×（inputs_t @ inputs_t）
h12 = 1 × inputs + 2 ×（inputs_t @ inputs_t）
h21 = 2 × inputs + 1 ×（inputs_t @ inputs_t）
'''h = 1 * inputs + 1 * (inputs_t @ inputs_t)''' h = inputs.addmm(1, 1, inputs_t, inputs_t) '''h12 = 1 * inputs + 2 * (inputs_t @ inputs_t)''' h12 = inputs.addmm(1, 2, inputs_t, inputs_t) '''h21 = 2 * inputs + 1 * (inputs_t @ inputs_t)''' h21 = inputs.addmm(2, 1, inputs_t, inputs_t)
h:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
h12:
tensor([[ 0., 6., 12.],
[ 1., 7., 13.],
[ 2., 8., 14.]])
h21:
tensor([[ 0., 3., 6.],
[ 2., 5., 8.],
[ 4., 7., 10.]])7.當然，以上的步驟inputs沒有變化，還是為
inputs:
tensor([[0., 0., 0.],
[1., 1., 1.],
[2., 2., 2.]])8.addmm_()的操作和addmm()函數(shù)功能相同，區(qū)別就是addmm_()有inplace的操作，也就是在原對象基礎上進行修改，即把改變之后的變量再賦給原來的變量。例如：
inputs的值變成了改變之后的值，不用再去寫 某個變量=addmm_() 了，因為inputs就是改變之后的變量！
*inputs@ inputs_t為
'''
inputs @ inputs_t [[0., 0., 0.], [[0., 1., 2.], [[0., 0., 0.]
= [1., 1., 1.], @ [0., 1., 2.], = [0., 3., 6.]
[2., 2., 2.]] [0., 1., 2.]] [0., 6., 12.]]
'''完成的公式為：
inputs = 1 × inputs - 2 ×（inputs @ inputs_t）
'''inputs = 1 * inputs - 2 * (inputs @ inputs_t)''' inputs.addmm_(1, -2, inputs, inputs_t) # In-place
inputs:
tensor([[ 0., 0., 0.],
[ 1., -5., -11.],
[ 2., -10., -22.]])三、代碼運行結(jié)果
inputs:
tensor([[0., 0., 0.],
[1., 1., 1.],
[2., 2., 2.]])
inputs_t:
tensor([[0., 1., 2.],
[0., 1., 2.],
[0., 1., 2.]])
a:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
b:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
c:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
d:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
e:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
f:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
g:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
g2:
tensor([[ 0., 3., 6.],
[ 2., 5., 8.],
[ 4., 7., 10.]])
h:
tensor([[0., 3., 6.],
[1., 4., 7.],
[2., 5., 8.]])
h12:
tensor([[ 0., 6., 12.],
[ 1., 7., 13.],
[ 2., 8., 14.]])
h21:
tensor([[ 0., 3., 6.],
[ 2., 5., 8.],
[ 4., 7., 10.]])
inputs:
tensor([[0., 0., 0.],
[1., 1., 1.],
[2., 2., 2.]])
inputs:
tensor([[ 0., 0., 0.],
[ 1., -5., -11.],
[ 2., -10., -22.]])以上就是Pytorch中addmm()和addmm_()函數(shù)用法解析的詳細內(nèi)容，更多關于Pytorch函數(shù)addmm() addmm_()的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了Python try except異常捕獲機制原理解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04
Django+vue+vscode前后端分離搭建的實現(xiàn)
本文以一個非常簡單的demo為例,介紹了利用django+drf+vue的前后端分離開發(fā)模式,文中通過示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下2023-08-08
這篇文章主要介紹了Django下關于session的使用,本文給大家介紹的非常詳細，具有一定的參考借鑒價值，需要的朋友可以參考下2019-12-12
多重共線性是指多元回歸模型中有兩個或兩個以上的自變量,它們之間具有高度的相關性,本文主要介紹了如何使用VIF實現(xiàn)檢測多重共線性,需要的可以參考下2023-12-12
這篇文章主要為大家詳細介紹了如何使用Python實現(xiàn)統(tǒng)計相同像素值個數(shù),文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起學習一下2025-01-01
這篇文章主要介紹了python?pandas?query的使用方法，文章通過圍繞主題展開詳細的內(nèi)容介紹，具有一定的參考價值，感興趣的小伙伴可以參考一下2022-09-09
解決pycharm下os.system執(zhí)行命令返回有中文亂碼的問題
今天小編就為大家分享一篇解決pycharm下os.system執(zhí)行命令返回有中文亂碼的問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
在本篇內(nèi)容里小編給大家整理的是一篇關于python中time.ctime()實例用法內(nèi)容，有興趣的朋友們可以跟著學習參考下。2021-02-02
Python光學仿真實現(xiàn)波長與顏色之間對應關系示例解析
這篇文章主要為大家介紹了Python光學仿真實現(xiàn)波長與顏色之間對應關系的示例解析，有需要的我朋友可以借鑒參考下，希望能夠有所幫助2021-10-10
Python是一種解釋型、面向?qū)ο?、動態(tài)數(shù)據(jù)類型的高級程序設計語言。tkinter模塊(“Tk 接口”)是Python的標準Tk GUI工具包的接口。接下來通過本文給大家介紹Python中的tkinter模塊作圖教程，需要的朋友參考下2017-02-02