Bilinear

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

將一個雙線性轉換應用於輸入資料： $y = x_1^T A x_2 + b$。

參數

• in1_features (int) – 第一個輸入樣本的大小

• in2_features (int) – 第二個輸入樣本的大小

• out_features (int) – 每個輸出樣本的大小

• bias (bool) – 如果設定為 False，則該層將不會學習加性偏差。預設值： True

形狀

• Input1: $(*, H_{in1})$ 其中 $H_{in1}=\text{in1\_features}$ 且 $*$ 代表任意數量的額外維度，包括沒有維度。除了最後一個維度外，輸入的其餘維度應相同。

• Input2: $(*, H_{in2})$ 其中 $H_{in2}=\text{in2\_features}$。

• Output: $(*, H_{out})$ 其中 $H_{out}=\text{out\_features}$ 且除了最後一個維度外，其餘維度的形狀與輸入相同。

變數

• weight ( torch.Tensor ) – 模組的可學習權重，形狀為 $(\text{out\_features}, \text{in1\_features}, \text{in2\_features})$。 數值從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 初始化，其中 $k = \frac{1}{\text{in1\_features}}$

• bias – 模組的可學習偏差，形狀為 $(\text{out\_features})$。 如果 bias 為 True，則數值從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 初始化，其中 $k = \frac{1}{\text{in1\_features}}$

範例

>>> 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])