【易混区分】 tensor张量 Numpy张量的各种矩阵乘法、点积的函数对比 (dot, multiply,*,@matmul) |
您所在的位置:网站首页 › multiply和times区别 › 【易混区分】 tensor张量 Numpy张量的各种矩阵乘法、点积的函数对比 (dot, multiply,*,@matmul) |
文章目录
1 矩阵运算基本概念1.1 点积1.2 矩阵乘法
2 dot()3 multiply() 和 *4 matmul和@
1 矩阵运算基本概念
1.1 点积
又称为数量积、标量积(scalar product)或者内积(inner product) 它是指实数域中的两个向量运算得到一个实数值标量的二元运算。也就是对应元素的位置相乘 举例: 对于向量 a = ( x 1 , y 1 ) 和 b = ( x 2 , y 2 ) ,他们的点积就是 a ⋅ b = x 1 x 2 + y 1 y 2 a=(x_1,y_1)和b=(x_2,y_2),他们的点积就是a·b=x_1x_2+y_1y_2 a=(x1,y1)和b=(x2,y2),他们的点积就是a⋅b=x1x2+y1y2 1.2 矩阵乘法两个运算的矩阵需要满足矩阵乘法规则,即需要前一个矩阵的列和后一个矩阵的行相等 一般我们用矩阵运算 就是Numpy的ndarray和torch的tensor张量 两种矩阵形式进行运算 他们大体相同,有一些小的差异,比如numpy的dot可以实现高维度的矩阵乘法但是torch的dot不可以 下表详细比较了他们之间的差异 运算形式实现结果返回结果dot函数numpy.dot(a,b) torch.dot(a,b)numpy的dot 可以实现一维度点积及高唯度的矩阵乘法,而torch的dot只能实现一维度点积,不能实现高维度矩阵乘法(报错RuntimeError: 1D tensors expected, but got 2D and 2D tensors)对应位置会加起来,往往返回会是一个数字multiply()函数 等价于 *numpy.multiply(a,b) torch.multiply(a,b) a*b点乘(和dot不同的是乘完之后不会加起来)返回往往是一个矩阵,两个矩阵必须形状一致对应位置乘完之后不会加起来,往往返回是一个矩阵matmul()函数等价于@numpy.matmul(a,b) torch.matmul(a,b) 或者torch.mm(a,b) a@b矩阵乘法往往返回是一个矩阵具体看下面的例子 2 dot()numpy和torch的dot 可以用在一维的数组相乘,此时相当于两个数组的点积。 例1 import numpy as np a=np.array([1,2,3]) b=np.array([2,3,4]) print(np.dot(a,b))输出 20 numpy的dot也可以用在多维数组的相乘,此时是矩阵乘法,所以需要满足矩阵乘法的运算规则,需要前一个矩阵的列和后一个矩阵的行相等 例2 import numpy as np a=np.array([[1,2,3], [1,2,3]]) b=np.array([[2,3], [3,4], [5,6]]) print(np.dot(a,b))输出 [[23 29] [23 29]] 但是torch的dot就会报错 例3 a=torch.tensor([[1,2,3,4],[1,2,3,4]]) b=torch.tensor([[5,6],[7,8],[5,6],[7,8]]) print(a.ndim,b.ndim) print(torch.dot(a,b))输出 RuntimeError: 1D tensors expected, but got 2D and 2D tensors 3 multiply() 和 *两个运算都是相当于点乘,可以实现一维或高维度的点积,参与运算的两个矩阵必须形状一致 (和dot不同的是乘完之后不会加起来)返回往往是一个矩阵 import numpy as np a=np.array([[1,2,3], [1,2,3]]) b=np.array([[2,3,4], [3,4,5]],) print("multiply:") print(np.multiply(a,b)) print("*:") print(a*b)输出 multiply: [[ 2 6 12] [ 3 8 15]] *: [[ 2 6 12] [ 3 8 15]] 4 matmul和@matmul 是matrix multiply的缩写,专门用于矩阵乘法,需要满足矩阵乘法的运算规则,需要前一个矩阵的列和后一个矩阵的行相等 import numpy as np a=np.array([[1,2,3], [1,2,3]]) b=np.array([[2,3], [3,4], [5,6]]) print("matmul:") print(np.matmul(a,b)) print("@:") print(a@b)输出 matmul: [[23 29] [23 29]] @: [[23 29] [23 29]] 注意这里的行向量可以列向量,比如 a=np.array([[1,2,3], [1,2,3]]) b=np.array([2,3,4]) 我们如果把b看做1行3列的矩阵,则运算不符合运算规则,但是如果看做3行1列的矩阵,则它是正确的,即2*3 × 3 * 1=2 * 1 即最后会输出一维的向量 import numpy as np a=np.array([[1,2,3], [1,2,3]]) b=np.array([2,3,4]) print("matmul:") print(np.matmul(a,b))输出 matmul: [20 20] 在PyTorch中,有几种执行矩阵乘法的方式,包括torch.matmul、torch.mm和@运算符。这些方法之间有一些区别,让我们逐个解释它们: torch.matmul: torch.matmul是PyTorch中用于执行矩阵乘法的通用函数。它支持广播(broadcasting),可以处理不同形状的输入矩阵。对于两个二维矩阵,torch.matmul等效于矩阵乘法。对于高维张量,torch.matmul会在合适的维度上进行广播,以进行张量间的乘法。 import torch A = torch.tensor([[1, 2], [3, 4]]) B = torch.tensor([[5, 6], [7, 8]]) result = torch.matmul(A, B)torch.mm: torch.mm是专门用于两个二维矩阵相乘的函数,不支持广播。输入的两个矩阵必须是二维的,并且符合矩阵乘法的规则。 import torch A = torch.tensor([[1, 2], [3, 4]]) B = torch.tensor([[5, 6], [7, 8]]) result = torch.mm(A, B)@运算符: @运算符在PyTorch中被重载,用于执行矩阵乘法。类似于torch.matmul,它支持广播操作。 import torch A = torch.tensor([[1, 2], [3, 4]]) B = torch.tensor([[5, 6], [7, 8]]) result = A @ B总结: 如果你希望使用通用的矩阵乘法函数,并且想要支持广播,可以使用torch.matmul或@运算符。如果你知道你的输入是二维矩阵且不需要广播,可以使用torch.mm。通常来说,推荐使用torch.matmul或@运算符,因为它们更通用,而torch.mm仅限于二维矩阵。 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |