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。 input 被加到最终结果中。

batch1 和 batch2 必须是包含相同数量矩阵的 3-D 张量。

如果 batch1 是一个 $(b \times n \times m)$ 张量， batch2 是一个 $(b \times m \times p)$ 张量，那么 input 必须与一个 $(b \times n \times p)$ 张量可广播， out 将是一个 $(b \times n \times p)$ 张量。 alpha 和 beta 都与 torch.addbmm() 中使用的缩放因子意义相同。

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

如果 beta 为 0，则 input 的内容将被忽略，其中的 nan 和 inf 不会传播。

对于类型为 FloatTensor 或 DoubleTensor 的输入，参数 beta 和 alpha 必须是实数，否则应该是整数。

此运算符支持 TensorFloat32。

在某些 ROCm 设备上，当使用 float16 输入时，该模块将使用不同的精度进行反向操作。

参数:

• 输入（张量）- 要添加的张量

• batch1（Tensor）- 要相乘的第一个矩阵批次

• batch2（张量）- 要相乘的第二批矩阵

关键字参数:

• beta（数字，可选）- input （ $\beta$ ）的乘数

• alpha（数字，可选）- $\text{batch1} \mathbin{@} \text{batch2}$ （ $\alpha$ ）的乘数

• 输出（张量，可选）- 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])