Pytorch学习笔记(9)——一文搞懂如何使用 torch 中的乘法

网上关于 torch 的乘法文章也很多，但是也很凌乱，所以这里我自己整理了一份。
本文的核心不是弄清楚 torch 是怎样实现的，源码如何，文档如何，本文只针对在什么情况下该调用怎样的方法。本文中只介绍了我使用过的方法，如果后续有新的方法就再进行添加。

本文所有计算都以以下两个矩阵举例：
a = [ 1 1 2 2 ] , b = [ 1 2 1 2 ] a = \left[

\right], b = \left[ \right] a=[12​12​],b=[11​22​]
我们现在 torch 中创建这两个矩阵：

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

1 乘法

矩阵的乘法，从维度上来说就是 $[x\times n]\cdot [n\times y]=[x\times y]$。具体的计算方式可以自行翻阅线代的书或者课程，这里就不多赘述。我们先手算出来 $a\times b$ 的结果如下：

[ 1 1 2 2 ] ⋅ [ 1 2 1 2 ] = [ 2 4 4 8 ] \left[

\right] \cdot \left[ \right] = \left[ \right] [12​12​]⋅[11​22​]=[24​48​]

注：

1. 矩阵的乘法我们可以看做是多个向量的点积（dot product）。
2. 向量的点积的公式可以用向量的模和夹角来计算，即 $a\cdot b=|a||b|\cos (\theta )$，由此可以带出余弦相似度的公式：$\cos (\theta )=(a\cdot b)/(|a||b|)$，所以点积在一定程度上可以体现出两个向量的相似程度，这点在注意力机制中很常见，比如 self-attention 中 $\alpha =\mathbf{q}\cdot {\mathbf{k}}^{\mathrm{T}}$。

Pytorch 中实现矩阵乘法的方法有以下几个：

1.1 向量乘法

向量的乘法即点积，我们可以用 torch 中的 dot 实现。以 a 的第一行 $[1,1]$ 和 b 的第二列 $[2,2]$ 为例，手算出来结果为 4，用 torch 计算：

c = torch.tensor([1, 1])
d = torch.tensor([2, 2])
torch.dot(c, d)
# tensor(4)
1
2
3
4

注： dot 仅能够计算向量，如果输入的维度大于 1 时会报错，以输入 torch.dot(a, b) 为例，报错如下：

RuntimeError: 1D tensors expected, but got 2D and 2D tensors
1

1.2 矩阵乘法

矩阵乘法在 torch 中使用 mm 实现：

torch.mm(a, b)
# tensor([[2, 4],
#         [4, 8]])
1
2
3

与我们计算出来的结果一样。
注： mm 仅能够计算矩阵，如果输入的维度不为2时会报错：

RuntimeError: self must be a matrix
1

1.3 张量乘法

torch 中的张量乘法有两类：bmm 和 matmul，区别如下：

1.3.1 带 batch 的矩阵乘法

bmm 中的 b 实际上是 batch 的意思，即 带 batch 的矩阵乘法。说明数据得是三维，且第一维为 batch 维，简单来说就是 batch 中的每个数据参与一次矩阵运算，用简单的伪码来说即：

for i in batch:
	a[i] * b[i]
1
2

我们假设 batch 为 1，同时对 a 和 b 升一维 batch 维，并使用 bmm 计算：

# shape: (1, 2, 2)
a = a.unsqueeze(0)
b = b.unsqueeze(0)

# shape: (1, 2, 2)
torch.bmm(a, b)
# tensor([[[2, 4],
#          [4, 8]]])
1
2
3
4
5
6
7
8

注： bmm 仅能计算三维张量，如果数据维度不为3，会报错：

# 输入 2 维数据
RuntimeError: Expected 3-dimensional tensor, but got 2-dimensional tensor for argument #1 'batch1' (while checking arguments for bmm)
# 输入 4 维数据
RuntimeError: Expected 3-dimensional tensor, but got 4-dimensional tensor for argument #1 'batch1' (while checking arguments for bmm)
1
2
3
4

1.3.2 万能乘法

matmul 算是 torch 中最万能的乘法，这个必须要结合 torch 的文档来说明：

• If both tensors are 1-dimensional, the dot product (scalar) is returned.

• If both arguments are 2-dimensional, the matrix-matrix product is returned.

• If the first argument is 1-dimensional and the second argument is 2-dimensional, a 1 is prepended to its dimension for the purpose of the matrix multiply. After the matrix multiply, the prepended dimension is removed.

• If the first argument is 2-dimensional and the second argument is 1-dimensional, the matrix-vector product is returned.

• If both arguments are at least 1-dimensional and at least one argument is N-dimensional (where N > 2), then a batched matrix multiply is returned. If the first argument is 1-dimensional, a 1 is prepended to its dimension for the purpose of the batched matrix multiply and removed after. If the second argument is 1-dimensional, a 1 is appended to its dimension for the purpose of the batched matrix multiple and removed after. The non-matrix (i.e. batch) dimensions are broadcasted (and thus must be broadcastable). For example, if input is a $(j\times 1\times n\times n)$ tensor and other is a $(k\times n\times n)$ tensor, out will be a $(j\times k\times n\times n)$ tensor.

• Note that the broadcasting logic only looks at the batch dimensions when determining if the inputs are broadcastable, and not the matrix dimensions. For example, if input is a $(j\times 1\times n\times m)$ tensor and other is a $(k\times m\times p)$ tensor, these inputs are valid for broadcasting even though the final two dimensions (i.e. the matrix dimensions) are different. out will be a $(j\times k\times n\times p)$ tensor.

总体而言，matmul 执行的还是矩阵乘法，只是会自动填补维度信息。同时，其计算的是 最后两维 的数据。用代码执行一次：

# 向量
# 这里是 a = [1, 1], b = [2, 2]
# shape: (), 是的, 这里是标量, 所以没有维度
torch.matmul(a, b)
# tensor(4)

# 矩阵
# shape: (2, 2)
torch.matmul(a, b)
# tensor([[2, 4],
#         [4, 8]])

# 三维张量
# shape: (1, 2, 2)
torch.matmul(a, b)
# tensor([[[2, 4],
#          [4, 8]]])

# 四维张量
# shape: (1, 1, 2, 2)
torch.matmul(a, b)
# tensor([[[[2, 4],
#           [4, 8]]]])

# 五维张量
# shape: (1, 1, 1, 2, 2)
torch.matmul(a, b)
# tensor([[[[[2, 4],
#            [4, 8]]]]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

2 对位相乘

对位相乘（element-wise product）指的是两个矩阵中第 $i$ 行，第 $j$ 列的元素直接相乘。以 a 和 b 为例，手算得到（这里 $\otimes$ 指对位相乘）：
[ 1 1 2 2 ] ⊗ [ 1 2 1 2 ] = [ 1 2 2 4 ] \left[

\right] \otimes \left[ \right] = \left[ \right] [12​12​]⊗[11​22​]=[12​24​]

2.1 直接乘法

torch 中可以直接使用 * 实现对位相乘：

# 一维
# 这里是 a = [1, 1], b = [2, 2]
# shape: (2)
a * b
# tensor([2, 2])

# 二维
# shape: (2, 2)
a * b
# tensor([[1, 2],
#         [2, 4]])

# 三维
# shape: (1, 2, 2)
a * b
# tensor([[[1, 2],
#          [2, 4]]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

2.2 调库实现

当然，torch 中也可以通过调库来实现对位相乘，即 mul：

# 一维
# 这里是 a = [1, 1], b = [2, 2]
# shape: (2)
torch.mul(a, b)
# tensor([2, 2])

# 二维
# shape: (2, 2)
torch.mul(a, b)
# tensor([[1, 2],
#         [2, 4]])

# 三维
# shape: (1, 2, 2)
torch.mul(a, b)
# tensor([[[1, 2],
#          [2, 4]]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17