torch.baddbmm

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

执行 batch1 和 batch2 中矩阵的批量矩阵乘法。结果中添加 input。

batch1 和 batch2 必须是 3-D 张量，且每个张量包含相同数量的矩阵。

如果 batch1 是一个 $(b \times n \times m)$ 张量，batch2 是一个 $(b \times m \times p)$ 张量，则 input 必须能够 广播 到一个 $(b \times n \times p)$ 张量，并且 out 将是一个 $(b \times n \times p)$ 张量。alpha 和 beta 的含义与 torch.addbmm() 中使用的缩放因子相同。

$$\text{out}_i = \beta\ \text{input}_i + \alpha\ (\text{batch1}_i \mathbin{@} \text{batch2}_i)$$

如果 beta 为 0，则忽略 input 的内容，其中的 nan 和 inf 将不会传播。

对于 FloatTensor 或 DoubleTensor 类型的输入，参数 beta 和 alpha 必须是实数，否则应为整数。

此算子支持 TensorFloat32。

在某些 ROCm 设备上，使用 float16 输入时，此模块在反向传播时会使用 不同的精度。

参数

• input (Tensor) – 要添加的张量

• batch1 (Tensor) – 要相乘的第一批矩阵

• batch2 (Tensor) – 要相乘的第二批矩阵

关键字参数

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

• alpha (Number, optional) – $\text{batch1} \mathbin{@} \text{batch2}$ 的乘数 ($\alpha$)

• out (Tensor, optional) – 输出张量。

示例

>>> M = torch.randn(10, 3, 5)
>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> torch.baddbmm(M, batch1, batch2).size()
torch.Size([10, 3, 5])