快捷方式

双线性

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

对输入数据应用双线性变换: y=x1TAx2+by = x_1^T A x_2 + b.

参数
  • in1_features (int) – 每个第一个输入样本的大小

  • in2_features (int) – 每个第二个输入样本的大小

  • out_features (int) – 每个输出样本的大小

  • bias (bool) – 如果设置为 False,则该层不会学习加性偏差。默认值:True

形状
  • 输入1: (,Hin1)(*, H_{in1}),其中 Hin1=in1_featuresH_{in1}=\text{in1\_features}* 表示任意数量的额外维度,包括零个。所有输入除了最后一个维度之外都应该相同。

  • 输入2: (,Hin2)(*, H_{in2}),其中 Hin2=in2_featuresH_{in2}=\text{in2\_features}

  • 输出: (,Hout)(*, H_{out}),其中 Hout=out_featuresH_{out}=\text{out\_features},并且除了最后一个维度之外,所有维度都与输入具有相同的形状。

变量
  • 权重 (torch.Tensor) – 模块的可学习权重,形状为 (out_features,in1_features,in2_features)(\text{out\_features}, \text{in1\_features}, \text{in2\_features})。这些值从 U(k,k)\mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化,其中 k=1in1_featuresk = \frac{1}{\text{in1\_features}}

  • 偏置 – 模块的可学习偏置,形状为 (out_features)(\text{out\_features}). 如果 biasTrue,则值从 U(k,k)\mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化,其中 k=1in1_featuresk = \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])

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源