PyTorch中y1 = tensor @ tensor.T写法的相关疑问求解
代码含义解释
y1 = tensor @ tensor.T 是PyTorch中实现张量矩阵乘法的简写写法:
- 其中
tensor.T是输入张量的转置,会交换张量的最后两个维度(2维场景下就是交换行和列) @执行两个张量的矩阵乘法运算- 最终运算结果会被赋值给变量
y1
举个常见的使用场景示例:如果输入tensor是形状为*(m, n)的2维张量,转置后形状为(n, m),经过@运算后得到的y1形状为(m, m)*,这个操作也常被用来计算格拉姆矩阵(Gram Matrix),是计算机视觉风格迁移任务中的基础操作。
@运算符的作用原理
PyTorch中的@是矩阵乘法的语法糖,底层等价于调用torch.matmul()接口,也就是说a @ b完全等价于torch.matmul(a, b)。
它和PyTorch中的逐元素乘法运算符*有本质区别:*要求两个输入张量形状一致(或满足广播规则),仅对张量对应位置的元素做乘法;而@遵循线性代数的矩阵乘法运算规则,不会逐元素计算。
@运算符的使用规则
- 2维张量场景:严格遵循标准矩阵乘法要求,第一个输入张量的列数必须等于第二个输入张量的行数,例如形状*(a, b)的张量乘(b, c)的张量,输出形状为(a, c)*
- 1维张量场景:参与运算时会自动适配维度,向量乘矩阵、矩阵乘向量的运算都会自动补全/移除多余维度,符合线性代数运算逻辑
- 高维张量(维度≥3)场景:仅对最后两个维度执行矩阵乘法,前面的维度按照广播规则匹配,例如形状*(batch_size, m, n)的批量张量乘(batch_size, n, p)的批量张量,输出形状为(batch_size, m, p)*
- 输入张量维度不满足匹配要求时,会直接抛出维度不匹配的运行时报错
内容的提问来源于stack exchange,提问作者nahidosen
相关产品推荐
相关产品推荐

