Bilinear

class torch.nn.Bilinear(in1_features, in2_features, out_features, bias=True, device=None, dtype=None)

對輸入資料應用雙線性變換： $y = x_1^T A x_2 + b$.

引數

• in1_features (int) – 每個第一個輸入的樣本大小，必須大於 0

• in2_features (int) – 每個第二個輸入的樣本大小，必須大於 0

• out_features (int) – 每個輸出的樣本大小，必須大於 0

• bias (bool) – 如果設定為 False，則該層將不學習加性偏置。預設值：True

形狀

• 輸入1： $(*, H_\text{in1})$ 其中 $H_\text{in1}=\text{in1\_features}$ 和 $*$ 表示零個或多個附加維度。輸入的所有維度（除了最後一個）都必須相同。

• 輸入2： $(*, H_\text{in2})$ 其中 $H_\text{in2}=\text{in2\_features}$。

• 輸出： $(*, H_\text{out})$ 其中 $H_\text{out}=\text{out\_features}$ 和除最後一個維度外的所有維度形狀與輸入相同。

變數

• weight (torch.Tensor) – 模組的可學習權重，形狀為 $(\text{out\_features}, \text{in1\_features}, \text{in2\_features})$。值從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$, 其中 $k = \frac{1}{\text{in1\_features}}$

• bias – 模組的可學習偏置，形狀為 $(\text{out\_features})$。如果 bias 為 True，則值從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$, 其中 $k = \frac{1}{\text{in1\_features}}$

示例

>>> m = nn.Bilinear(20, 30, 40)
>>> input1 = torch.randn(128, 20)
>>> input2 = torch.randn(128, 30)
>>> output = m(input1, input2)
>>> print(output.size())
torch.Size([128, 40])

extra_repr()

返回模組的額外表示。

返回型別

str

forward(input1, input2)

執行前向傳播。

返回型別

張量

reset_parameters()

根據 __init__ 中使用的初始化重置引數。