Bilinear

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

Применяет к входным данным билинейное преобразование: $y = x_1^T A x_2 + b$.

Параметры:

• in1_features (int) – размер каждого первого входного примера, должен быть > 0
• in2_features (int) – размер каждого второго входного примера, должен быть > 0
• out_features (int) – размер каждого выходного примера, должен быть > 0
• bias (bool) – Если установлено значение False, слой не будет обучать аддитивное смещение. Значение по умолчанию: True

Форма:

• Вход 1: $(*, H_\text{in1})$, где $H_\text{in1}=\text{in1\_features}$, а $*$ означает любое количество дополнительных измерений, включая их отсутствие. Все измерения входных данных, кроме последнего, должны совпадать.
• Вход 2: $(*, H_\text{in2})$, где $H_\text{in2}=\text{in2\_features}$.
• Выход: $(*, H_\text{out})$, где $H_\text{out}=\text{out\_features}$, а все измерения, кроме последнего, имеют ту же форму, что и входные данные.

Переменные:

• weight (torch.Tensor) – обучаемые веса модуля формы $(\text{out\_features}, \text{in1\_features}, \text{in2\_features})$. Значения инициализируются из распределения $\mathcal{U}(-\sqrt{k}, \sqrt{k})$, где $k = \frac{1}{\text{in1\_features}}$
• bias – обучаемое смещение модуля формы $(\text{out\_features})$. Если bias имеет значение True, значения инициализируются из распределения $\mathcal{U}(-\sqrt{k}, \sqrt{k})$, где $k = \frac{1}{\text{in1\_features}}$

Примеры:

>>> 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])

extra_repr() [исходный код]

Возвращает дополнительное представление модуля.

Тип возвращаемого значения:

str

forward(input1, input2) [исходный код]

Выполняет прямой проход.

Тип возвращаемого значения:

Tensor

reset_parameters() [исходный код]

Сбрасывает параметры в соответствии с инициализацией, используемой в __init__.