torch 多个张量相乘

可以使用 `torch.mul()` 函数进行多个张量的逐元素相乘，或者使用 `torch.mm()` 函数进行矩阵乘法（需要满足矩阵乘法的维度要求）。

举个例子，假设有三个大小为 (2, 3) 的张量 `a`、`b` 和 `c`，可以使用以下代码进行逐元素相乘：

import torch

a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[2, 3, 4], [5, 6, 7]])
c = torch.tensor([[3, 4, 5], [6, 7, 8]])

result = torch.mul(torch.mul(a, b), c)
print(result)

输出结果为：

tensor([[  6,  24,  60],
        [120, 210, 336]])

如果要进行矩阵乘法，可以将其中两个张量转置后相乘：

a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[2, 3], [5, 6], [8, 9]])
c = torch.tensor([[3, 4, 5], [6, 7, 8]])

result = torch.mm(torch.mm(a, b), c.t())
print(result)

输出结果为：

tensor([[163, 236],
        [406, 583]])

相关问题

张量基础操作pytorch

在PyTorch中，张量（tensor）是存储和操作数据的主要数据结构。下面是一些常见的张量基础操作：

1. 创建张量：
- 使用torch.Tensor()函数创建一个空的张量。
- 使用torch.tensor(data)根据给定的数据创建张量。
- 使用torch.zeros(size)创建一个全零张量。
- 使用torch.ones(size)创建一个全一张量。
- 使用torch.rand(size)创建一个随机值张量。

2. 张量属性：
- 张量的形状可以通过tensor.size()得到。
- 张量的维度可以通过tensor.dim()得到。

3. 张量操作：
- 张量加法：可以使用torch.add(tensor1, tensor2)或者直接使用运算符+进行张量相加。
- 张量减法：可以使用torch.sub(tensor1, tensor2)或者直接使用运算符-进行张量相减。
- 张量乘法：可以使用torch.mul(tensor1, tensor2)或者直接使用运算符*进行张量相乘。
- 张量除法：可以使用torch.div(tensor1, tensor2)或者直接使用运算符/进行张量相除。

4. 张量索引：
- 可以使用tensor[index]对张量进行索引。
- 可以使用tensor[start:end]对张量进行切片。
- 可以使用tensor[bool_tensor]根据布尔张量对张量进行索引。

5. 张量变形：
- 使用tensor.view(shape)可以对张量进行形状变换。
- 使用tensor.reshape(shape)也可以实现张量的形状变换。

这只是一些基本的张量操作，PyTorch还提供了很多其他功能强大的操作和函数，可以根据具体需求进行学习和使用。

torch.einsum函数

torch.einsum函数是PyTorch中的一个函数，用于实现多维张量的向量乘法、矩阵乘法、批量矩阵乘法等操作。它的语法如下：

torch.einsum(equation, *operands)

其中，equation是一个字符串，用于指定操作的维度和顺序；operands是一个或多个张量，用于输入和输出数据。

举个例子，假设我们有两个2x3的矩阵A和B，我们想要计算它们的矩阵乘积。可以使用如下代码：

import torch

A = torch.randn(2, 3)
B = torch.randn(3, 2)

C = torch.einsum('ij,jk->ik', A, B)

其中，'ij,jk->ik'表示我们想要将A和B的矩阵乘积输出到一个2x2的矩阵C中。这个字符串的意义可以理解为，将A的第一维和B的第一维相乘，得到C的第一维；将A的第二维和B的第二维相乘，得到C的第二维。因此，C的形状为(2, 2)。

torch.einsum函数可以实现非常灵活的操作，可以用来计算各种复杂的张量运算。