torch.baddbmm

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

Выполняет пакетное перемножение матриц из batch1 и batch2. К конечному результату добавляется input.

batch1 и batch2 должны быть 3-D тензорами, содержащими одинаковое количество матриц.

Если batch1 — тензор размера $(b \times n \times m)$, batch2 — тензор размера $(b \times m \times p)$, то input должен быть совместим для широковещательного распространения с тензором размера $(b \times n \times p)$, а out будет тензором размера $(b \times n \times p)$. alpha и beta имеют то же значение, что и коэффициенты масштабирования в torch.addbmm().

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

Если beta равно 0, содержимое input игнорируется, а nan и inf в нём не распространяются.

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 при использовании входных данных типа float16 этот модуль будет использовать другую точность при обратном проходе.

Параметры:

• input (Tensor) – тензор, который нужно добавить
• batch1 (Tensor) – первый пакет матриц для перемножения
• batch2 (Tensor) – второй пакет матриц для перемножения

Именованные аргументы:

• beta (Number, optional) – коэффициент для input ($\beta$)
• alpha (Number, optional) – коэффициент для $\text{batch1} \mathbin{@} \text{batch2}$ ($\alpha$)
• out (Tensor, optional) – выходной тензор.

Пример:

>>> 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])

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

Параметры:

• input (Tensor) – тензор, который нужно добавить
• batch1 (Tensor) – первый пакет матриц для перемножения
• batch2 (Tensor) – второй пакет матриц для перемножения
• out_dtype (dtype) – тип данных выходного тензора. На CUDA и XPU при входных типах данных torch.float16/torch.bfloat16 поддерживается только torch.float32. Другие бэкенды (включая внешние ускорители) могут поддерживать дополнительные сочетания входных и выходных типов данных.

Именованные аргументы:

• beta (Number, optional) – коэффициент для input ($\beta$)
• alpha (Number, optional) – коэффициент для $\text{batch1} \mathbin{@} \text{batch2}$ ($\alpha$)
• out (Tensor, optional) – выходной тензор.