这篇文章主要介绍“pytorch中常用的乘法运算有哪些”，在日常操作中，相信很多人在pytorch中常用的乘法运算有哪些问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”pytorch中常用的乘法运算有哪些”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
总结放前面：
torch.mm : 用于两个矩阵（不包括向量）的乘法。如维度为(l,m)和(m,n)相乘
torch.bmm : 用于带batch的三维向量的乘法。如维度为(b,l,m)和(b,m,n)相乘
torch.mul : 用于两个同维度矩阵的逐像素点相乘（点乘）。如维度为(l,m)和(l,m)相乘
torch.mv : 用于矩阵和向量之间的乘法（矩阵在前，向量在后）。如维度为(l,m)和(m)相乘，结果的维度为(l)。
torch.matmul : 用于两个张量(后两维满足矩阵乘法的维度)相乘或者是矩阵与向量间的乘法，因为其具有广播机制(broadcasting，自动补充维度)。如维度为(b,l,m)和(b,m,n)；(l,m)和(b,m,n)；(b,c,l,m)和(b,c,m,n)；(l,m)和(m)相乘等。【其作用包含torch.mm、torch.bmm和torch.mv】
@运算符 : 其作用类似于torch.matmul。
*运算符 : 其作用类似于torch.mul。
1、torch.mm
import torcha = torch.ones(1, 2)print(a)b = torch.ones(2, 3)print(b)output = torch.mm(a, b)print(output)print(output.size())"""tensor([[1., 1.]])tensor([[1., 1., 1.], [1., 1., 1.]])tensor([[2., 2., 2.]])torch.Size([1, 3])"""2、torch.bmm
a = torch.randn(2, 1, 2)print(a)b = torch.randn(2, 2, 3)print(b)output = torch.bmm(a, b)print(output)print(output.size())"""tensor([[[-0.1187, 0.2110]], [[ 0.7463, -0.6136]]])tensor([[[-0.1186, 1.5565, 1.3662], [ 1.0199, 2.4644, 1.1630]], [[-1.9483, -1.6258, -0.4654], [-0.1424, 1.3892, 0.7559]]])tensor([[[ 0.2293, 0.3352, 0.0832]], [[-1.3666, -2.0657, -0.8111]]])torch.Size([2, 1, 3])"""3、torch.mul
a = torch.ones(2, 3) * 2print(a)b = torch.randn(2, 3)print(b)output = torch.mul(a, b)print(output)print(output.size())"""tensor([[2., 2., 2.], [2., 2., 2.]])tensor([[-0.1187, 0.2110, 0.7463], [-0.6136, -0.1186, 1.5565]])tensor([[-0.2375, 0.4220, 1.4925], [-1.2271, -0.2371, 3.1130]])torch.Size([2, 3])"""4、torch.mv
mat = torch.randn(3, 4)print(mat)vec = torch.randn(4)print(vec)output = torch.mv(mat, vec)print(output)print(output.size())print(torch.mm(mat, vec.unsqueeze(1)).squeeze(1))"""tensor([[-0.1187, 0.2110, 0.7463, -0.6136], [-0.1186, 1.5565, 1.3662, 1.0199], [ 2.4644, 1.1630, -1.9483, -1.6258]])tensor([-0.4654, -0.1424, 1.3892, 0.7559])tensor([ 0.5982, 2.5024, -5.2481])torch.Size([3])tensor([ 0.5982, 2.5024, -5.2481])"""5、torch.matmul
# 其作用包含torch.mm、torch.bmm和torch.mv。其他类似，不一一举例。a = torch.randn(2, 1, 2)print(a)b = torch.randn(2, 2, 3)print(b)output = torch.bmm(a, b)print(output)output1 = torch.matmul(a, b)print(output1)print(output1.size())"""tensor([[[-0.1187, 0.2110]], [[ 0.7463, -0.6136]]])tensor([[[-0.1186, 1.5565, 1.3662], [ 1.0199, 2.4644, 1.1630]], [[-1.9483, -1.6258, -0.4654], [-0.1424, 1.3892, 0.7559]]])tensor([[[ 0.2293, 0.3352, 0.0832]], [[-1.3666, -2.0657, -0.8111]]])tensor([[[ 0.2293, 0.3352, 0.0832]], [[-1.3666, -2.0657, -0.8111]]])torch.Size([2, 1, 3])"""# 维度为(b,l,m)和(b,m,n)；(l,m)和(b,m,n)；(b,c,l,m)和(b,c,m,n)；(l,m)和(m)等a = torch.randn(2, 3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())a = torch.randn(3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())a = torch.randn(2, 3, 3, 4)b = torch.randn(2, 3, 4, 5)print(torch.matmul(a, b).size())a = torch.randn(2, 3)b = torch.randn(3)print(torch.matmul(a, b).size())"""torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 3, 5])torch.Size([2])"""6、@运算符
# @运算符:其作用类似于torch.matmula = torch.randn(2, 3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())print((a @ b).size())a = torch.randn(3, 4)b = torch.randn(2, 4, 5)print(torch.matmul(a, b).size())print((a @ b).size())a = torch.randn(2, 3, 3, 4)b = torch.randn(2, 3, 4, 5)print(torch.matmul(a, b).size())print((a @ b).size())a = torch.randn(2, 3)b = torch.randn(3)print(torch.matmul(a, b).size())print((a @ b).size())"""torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 5])torch.Size([2, 3, 3, 5])torch.Size([2, 3, 3, 5])torch.Size([2])torch.Size([2])"""7、*运算符
# *运算符:其作用类似于torch.mula = torch.ones(2, 3) * 2print(a)b = torch.ones(2, 3) * 3print(b)output = torch.mul(a, b)print(output)print(output.size())output1 = a * bprint(output1)print(output1.size())"""tensor([[2., 2., 2.], [2., 2., 2.]])tensor([[3., 3., 3.], [3., 3., 3.]])tensor([[6., 6., 6.], [6., 6., 6.]])torch.Size([2, 3])tensor([[6., 6., 6.], [6., 6., 6.]])torch.Size([2, 3])"""附：二维矩阵乘法
神经网络中包含大量的 2D 张量矩阵乘法运算，而使用 torch.matmul 函数比较复杂，因此 PyTorch 提供了更为简单方便的 torch.mm(input, other, out = None) 函数。下表是 torch.matmul 函数和 torch.mm 函数的简单对比。
torch.matmul 函数支持广播，主要指的是当参与矩阵乘积运算的两个张量中其中有一个是 1D 张量，torch.matmul 函数会将其广播成 2D 张量参与运算，最后将广播添加的维度删除作为最终 torch.matmul 函数的返回结果。torch.mm 函数不支持广播，相对应的输入的两个张量必须为 2D。
import torchinput = torch.tensor([[1., 2.], [3., 4.]])other = torch.tensor([[5., 6., 7.], [8., 9., 10.]])result = torch.mm(input, other)print(result)# tensor([[21., 24., 27.],# [47., 54., 61.]])到此，关于“pytorch中常用的乘法运算有哪些”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注编程网网站，小编会继续努力为大家带来更多实用的文章！
