這篇文章主要為大家展示了“PyTorch如何實(shí)現(xiàn)對應(yīng)點(diǎn)相乘、矩陣相乘”，內(nèi)容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“PyTorch如何實(shí)現(xiàn)對應(yīng)點(diǎn)相乘、矩陣相乘”這篇文章吧。

成都創(chuàng)新互聯(lián)是一家專注于成都網(wǎng)站建設(shè)、成都網(wǎng)站制作與策劃設(shè)計,界首網(wǎng)站建設(shè)哪家好?成都創(chuàng)新互聯(lián)做網(wǎng)站,專注于網(wǎng)站建設(shè)10余年,網(wǎng)設(shè)計領(lǐng)域的專業(yè)建站公司;建站業(yè)務(wù)涵蓋:界首等地區(qū)。界首做網(wǎng)站價格咨詢:13518219792

一，對應(yīng)點(diǎn)相乘，x.mul(y) ，即點(diǎn)乘操作，點(diǎn)乘不求和操作，又可以叫作Hadamard product；點(diǎn)乘再求和，即為卷積

data = [[1,2], [3,4], [5, 6]]
tensor = torch.FloatTensor(data)
 
tensor
Out[27]: 
tensor([[ 1., 2.],
    [ 3., 4.],
    [ 5., 6.]])
 
tensor.mul(tensor)
Out[28]: 
tensor([[ 1.,  4.],
    [ 9., 16.],
    [ 25., 36.]])

二，矩陣相乘，x.mm(y) ， 矩陣大小需滿足： (i, n)x(n, j)

tensor
Out[31]: 
tensor([[ 1., 2.],
    [ 3., 4.],
    [ 5., 6.]])
 
tensor.mm(tensor.t()) # t()是轉(zhuǎn)置
Out[30]: 
tensor([[ 5., 11., 17.],
    [ 11., 25., 39.],
    [ 17., 39., 61.]])

以上是“PyTorch如何實(shí)現(xiàn)對應(yīng)點(diǎn)相乘、矩陣相乘”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

分享題目：PyTorch如何實(shí)現(xiàn)對應(yīng)點(diǎn)相乘、矩陣相乘-創(chuàng)新互聯(lián)
分享鏈接：http://weahome.cn/article/jjjce.html