Python中调整辅助矩阵输出维度的技术问询

原代码返回的矩阵维度为[out_channels, out_channels]，要改为[input_channels, out_channels]且保持核心计算逻辑不变，只需修改最终的返回部分：

修改步骤 #

1. 移除原代码中最后两行的计算（dot_product_with_hidden_matrix和res的定义）
2. 直接返回已经计算好的dot_product_pseudo变量

修改后的代码片段 #

def my_fun( self, H: torch.FloatTensor,) -> torch.FloatTensor:
    
    self.input_channels = 4
    self.out_channels = 16
    self.forgettingFactor = 0.92
    self.lamb = 0.01
    self.M = torch.inverse(self.lamb*torch.eye(self.out_channels))
    HH = self.calculateHiddenLayerActivation(H) # [4,16]
    Ht = HH.t() # [16 , 4]
    ###### Computation of auxiliary matrix 
    
    initial_product = torch.mm((1 / self.forgettingFactor) * self.M, Ht) # [16, 4]
    intermediate_matrix = torch.mm(HH, initial_product )   # [4, 4]
    sum_inside_pseudoinverse = torch.eye(self.input_channels) + intermediate_matrix # [4, 4]

    pseudoinverse_sum = torch.pinverse(sum_inside_pseudoinverse) # [4, 4]
    product_inside_expression = torch.mm(HH, (1/self.forgettingFactor) * self.M) #  [4, 16]              
    dot_product_pseudo = torch.mm( pseudoinverse_sum  , product_inside_expression) # [4, 16]   

    # 直接返回符合目标维度的核心计算结果
    return dot_product_pseudo

原理说明 #

dot_product_pseudo的计算逻辑完全继承了原代码的核心推导：通过伪逆矩阵结合隐藏层激活值HH与正则化矩阵M的乘积，得到的结果维度恰好是[input_channels, out_channels]，完全匹配你的需求。原代码后续的计算是基于该中间变量进一步推导out_channels维度的自相关矩阵，截断到dot_product_pseudo返回即可在不改变核心逻辑的前提下得到目标维度的辅助矩阵。

内容的提问来源于stack exchange，提问作者Asif