双线性 ¶

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

对传入数据进行双线性变换： $y = x_1^T A x_2 + b$ 。

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 ，则层将不会学习加性偏置。默认： True

形状：

• Input1: $(*, H_\text{in1})$ 其中 $H_\text{in1}=\text{in1\_features}$ 和 $*$ 表示包括零在内的任意数量的额外维度。除了输入的最后维度之外的所有维度都应该相同。

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

• 输出： $(*, H_\text{out})$ 其中 $H_\text{out}=\text{out\_features}$ 以及所有维度除了最后一个都与输入形状相同。

变量:

• weight (torch.Tensor) – 该模块的可学习权重，形状为 $(\text{out\_features}, \text{in1\_features}, \text{in2\_features})$ 。值从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 初始化，其中 $k = \frac{1}{\text{in1\_features}}$

• bias – 该模块的可学习偏置，形状为 $(\text{out\_features})$ 。如果 bias 是 True ，则值从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 初始化，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])