torch.baddbmm

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

对 batch1 和 batch2 中的矩阵执行批量矩阵-矩阵乘积。 input 被添加到最终结果中。

batch1 和 batch2 必须是每个都包含相同数量矩阵的3维张量。

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 可广播 的 $(b \times n \times p)$ 张量兼容，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 input 将被忽略，并且其中的 nan 和 inf 将不会传播。

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

此操作符支持 TensorFloat32。

在某些 ROCm 设备上，当使用 float16 输入时，此模块将在反向传播中使用 不同的精度。

Parameters

• 输入 (张量) – 要被添加的张量

• batch1 (张量) – 要相乘的第一个矩阵批次

• batch2 (张量) – 要相乘的第二个矩阵批次

Keyword Arguments

• beta (数字, 可选) – input 的乘数 ($\beta$)

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

• 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])