torch.tensordot

torch.tensordot(a, b, dims=2, out=None)

返回 a 和 b 在多個維度上的收縮 (contraction) 結果。

tensordot 實現了一種廣義的矩陣乘法。

參數

• a (Tensor) – 要收縮的左側張量

• b (Tensor) – 要收縮的右側張量

• dims (int 或 Tuple[List[int], List[int]] 或 List[List[int]] 包含兩個列表 或 Tensor) – 要收縮的維度數量，或是 a 和 b 的明確維度列表

當使用非負整數參數 dims = $d$ 調用，且 a 和 b 的維度數分別為 $m$ 和 $n$ 時，tensordot() 計算

$$r_{i_0,...,i_{m-d}, i_d,...,i_n} = \sum_{k_0,...,k_{d-1}} a_{i_0,...,i_{m-d},k_0,...,k_{d-1}} \times b_{k_0,...,k_{d-1}, i_d,...,i_n}.$$

當使用列表形式的 dims 調用時，給定的維度將被收縮，以代替 a 的最後 $d$ 個維度和 $b$ 的前 $d$ 個維度。 這些維度的大小必須匹配，但 tensordot() 將處理廣播維度。

範例

>>> a = torch.arange(60.).reshape(3, 4, 5)
>>> b = torch.arange(24.).reshape(4, 3, 2)
>>> torch.tensordot(a, b, dims=([1, 0], [0, 1]))
tensor([[4400., 4730.],
        [4532., 4874.],
        [4664., 5018.],
        [4796., 5162.],
        [4928., 5306.]])

>>> a = torch.randn(3, 4, 5, device='cuda')
>>> b = torch.randn(4, 5, 6, device='cuda')
>>> c = torch.tensordot(a, b, dims=2).cpu()
tensor([[ 8.3504, -2.5436,  6.2922,  2.7556, -1.0732,  3.2741],
        [ 3.3161,  0.0704,  5.0187, -0.4079, -4.3126,  4.8744],
        [ 0.8223,  3.9445,  3.2168, -0.2400,  3.4117,  1.7780]])

>>> a = torch.randn(3, 5, 4, 6)
>>> b = torch.randn(6, 4, 5, 3)
>>> torch.tensordot(a, b, dims=([2, 1, 3], [1, 2, 0]))
tensor([[  7.7193,  -2.4867, -10.3204],
        [  1.5513, -14.4737,  -6.5113],
        [ -0.2850,   4.2573,  -3.5997]])