如何在 PyTorch 中做矩阵的乘积

Question

在 numpy 中，我可以像这样进行简单的矩阵乘法：

a = numpy.arange(2*3).reshape(3,2)
b = numpy.arange(2).reshape(2,1)
print(a)
print(b)
print(a.dot(b))

但是，当我尝试使用 PyTorch 张量时，这不起作用：

a = torch.Tensor([[1, 2, 3], [1, 2, 3]]).view(-1, 2)
b = torch.Tensor([[2, 1]]).view(2, -1)
print(a)
print(a.size())

print(b)
print(b.size())

print(torch.dot(a, b))

此代码引发以下错误：

RuntimeError：张量大小不一致 /Users/soumith/code/builder/wheel/pytorch-src/torch/lib/TH/generic/THTensorMath.c:503

知道如何在 PyTorch 中进行矩阵乘法吗？

Answer 1

您可以使用“@”来计算 pytorch 中两个张量之间的点积。

a = torch.tensor([[1,2],
                  [3,4]])
b = torch.tensor([[5,6],
                  [7,8]])
c = a@b #For dot product
c

d = a*b #For elementwise multiplication 
d

Answer 2

你正在寻找

torch.mm(a,b)

请注意，torch.dot() 的行为与 np.dot() 不同。关于什么是可取的here 进行了一些讨论。具体来说，torch.dot() 将a 和b 都视为一维向量（无论它们的原始形状如何）并计算它们的内积。抛出错误，因为这种行为使您的 a 成为长度为 6 的向量，而您的 b 成为长度为 2 的向量；因此无法计算它们的内积。对于 PyTorch 中的矩阵乘法，请使用 torch.mm()。 Numpy 的np.dot() 相比之下更加灵活；它计算一维数组的内积并为二维数组执行矩阵乘法。

根据普遍需求，如果两个参数都是2D，函数torch.matmul 将执行矩阵乘法，如果两个参数都是1D，则计算它们的点积。对于此类维度的输入，其行为与np.dot 相同。它还可以让您批量进行广播或matrix x matrix、matrix x vector 和vector x vector 操作。有关详细信息，请参阅其docs。

# 1D inputs, same as torch.dot
a = torch.rand(n)
b = torch.rand(n)
torch.matmul(a, b) # torch.Size([])

# 2D inputs, same as torch.mm
a = torch.rand(m, k)
b = torch.rand(k, j)
torch.matmul(a, b) # torch.Size([m, j])

Answer 3

如果您想进行矩阵（2 阶张量）乘法，您可以通过四种等效方式进行：

AB = A.mm(B) # computes A.B (matrix multiplication)
# or
AB = torch.mm(A, B)
# or
AB = torch.matmul(A, B)
# or, even simpler
AB = A @ B # Python 3.5+

有一些微妙之处。来自PyTorch documentation：

torch.mm 不广播。对于广播矩阵产品， 参见 torch.matmul()。

例如，您不能将两个一维向量与torch.mm 相乘，也不能将批处理矩阵相乘（等级 3）。为此，您应该使用更通用的torch.matmul。有关torch.matmul 的广播行为的详细列表，请参阅documentation。

对于逐元素乘法，您可以简单地做（如果 A 和 B 具有相同的形状）

A * B # element-wise matrix multiplication (Hadamard product)

Answer 4

使用torch.mm(a, b) 或torch.matmul(a, b)
两者都是一样的。

>>> torch.mm
<built-in method mm of type object at 0x11712a870>
>>> torch.matmul
<built-in method matmul of type object at 0x11712a870>

还有一个可能很高兴知道的选项。 那是@ 运算符。 @Simon H.

>>> a = torch.randn(2, 3)
>>> b = torch.randn(3, 4)
>>> a@b
tensor([[ 0.6176, -0.6743,  0.5989, -0.1390],
        [ 0.8699, -0.3445,  1.4122, -0.5826]])
>>> a.mm(b)
tensor([[ 0.6176, -0.6743,  0.5989, -0.1390],
        [ 0.8699, -0.3445,  1.4122, -0.5826]])
>>> a.matmul(b)
tensor([[ 0.6176, -0.6743,  0.5989, -0.1390],
        [ 0.8699, -0.3445,  1.4122, -0.5826]])    

三者给出相同的结果。

相关链接：
Matrix multiplication operator
PEP 465 -- A dedicated infix operator for matrix multiplication