torch.addbmm

torch.addbmm(input, batch1, batch2, *, beta=1, alpha=1, out=None) → Tensor

執行儲存在 batch1 和 batch2 中的矩陣的批次矩陣-矩陣乘積，並進行規約相加（所有矩陣乘法沿第一個維度累加）。input 將被加到最終結果中。

batch1 和 batch2 必須是 3D 張量，每個張量包含相同數量的矩陣。

如果 batch1 是一個 $(b \times n \times m)$ 張量，batch2 是一個 $(b \times m \times p)$ 張量，input 必須 與 $(n \times p)$ 張量進行廣播，並且 out 將是一個 $(n \times p)$ 張量。

$$out = \beta\ \text{input} + \alpha\ (\sum_{i=0}^{b-1} \text{batch1}_i \mathbin{@} \text{batch2}_i)$$

如果 beta 為 0，則 input 的內容將被忽略，並且其中的 nan 和 inf 不會被傳播。

對於 FloatTensor 或 DoubleTensor 型別的輸入，引數 beta 和 alpha 必須是實數，否則它們應該是整數。

此運算子支援TensorFloat32。

在某些 ROCm 裝置上，當使用 float16 輸入時，此模組將對反向傳播使用不同精度。

引數

• input (Tensor) – 要新增的矩陣

• batch1 (Tensor) – 要相乘的第一個矩陣批次

• batch2 (Tensor) – 要相乘的第二個矩陣批次

關鍵字引數

• beta (Number, optional) – input 的乘數（$\beta$）

• alpha (Number, optional) – batch1 @ batch2 的乘數（$\alpha$）

• out (Tensor, optional) – 輸出張量。

示例

>>> M = torch.randn(3, 5)
>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> torch.addbmm(M, batch1, batch2)
tensor([[  6.6311,   0.0503,   6.9768, -12.0362,  -2.1653],
        [ -4.8185,  -1.4255,  -6.6760,   8.9453,   2.5743],
        [ -3.8202,   4.3691,   1.0943,  -1.1109,   5.4730]])