torch.addbmm

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

Выполняет пакетное матрично-матричное произведение матриц, хранящихся в batch1 и batch2, со шагом уменьшения сложения (все матричные умножения накапливаются по первому измерению). input добавляется к окончательному результату.

batch1 и batch2 должны быть 3-мерными тензорами, каждый из которых содержит одинаковое количество матриц.

Если batch1 является тензором $(b \times n \times m)$, batch2 является тензором $(b \times m \times p)$, input должен быть совместимым с тензором $(n \times p)$, а out будет тензором $(n \times p)$.

$$out = \beta\ \text{input} + \alpha\ (\sum_{i=0}^{b-1} \text{batch1}_i \mathbin{@} \text{batch2}_i)$$

Если beta равно 0, то input будет проигнорировано, а nan и inf в нем не будут переданы.

Для входных данных типа FloatTensor или DoubleTensor, аргументы beta и alpha должны быть вещественными числами, в противном случае они должны быть целыми числами.

Этот оператор поддерживает TensorFloat32.

На некоторых устройствах ROCm, когда используются входные данные float16, этот модуль будет использовать разную точность для обратного распространения.

Параметры:

• batch1 (Tensor) – первая партия матриц, которые нужно умножить
• batch2 (Tensor) – вторая партия матриц, которые нужно умножить

Ключевые аргументы:

• beta (Число, необязательно) – множитель для input ($\beta$)
• input (Tensor) – матрица, которая должна быть добавлена
• alpha (Число, необязательно) – множитель для batch1 @ batch2 ($\alpha$)
• out (Tensor, необязательно) – тензор вывода.

Пример:

>>> M = torch.randn(3, 5)
>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> torch.addbmm(M, batch1, batch2)
tensor([[  6.6311,   0.0503,   6.9768, -12.0362,  -2.1653],
        [ -4.8185,  -1.4255,  -6.6760,   8.9453,   2.5743],
        [ -3.8202,   4.3691,   1.0943,  -1.1109,   5.4730]])