0
点赞
收藏
分享

微信扫一扫

【DL BC】矩阵乘积操作简述

萧让听雪 2022-03-11 阅读 56
矩阵线性代数深度学习

回顾总结深度学习中，常用的部分矩阵操作，并给出numpy、paddle、torch代码实现。 个人能力有限，如果错误烦请指正！

在阅读论文过程中度一些矩阵乘积操作有些不了解，在此总结各种矩阵乘积操作并给出numpy、torch、paddle实现过程

ref:

矩阵的各种乘积 ——CSDN

NumPy 线性代数 ——菜鸟教程

dot ——paddle API

tensordot ——paddle API

dot ——torch API

向量积 ——百度百科

matmul ——paddle API

mm ——paddle API

matmul ——torch API

mm ——torch API

如何在Numpy中求元素矩阵乘法(Hadamard积)

multiply ——paddle API

multipy——torch API

mul ——torch API

克罗内克积与笛卡尔积 ——CSDN

矩阵直积 ——百度文库

两个数组的克罗内科乘积 ——CSDN

kron ——paddle API

kron ——torch API

张量积 ——百度百科

Preliminaries

numpy==1.19.2

paddlepaddle==2.2.2

torch==1.7.0

定义矩阵A、B、C，向量a、c

其中A.shape = [ma, na] B.shape = [mb, nb] C.shape = [ma, na] ，a.shape=[m] c.shape=[m]

内积/inner product

数量积/scalar product；

点积/dot product；

输入shape必须相同

向量内积——>标量数值，shape = [1]

矩阵内积，使用A与C进行内积：

  • numpy：np.inner, 所有行向量两两做内积，shape = [ma, ma]

  • paddle：

    • paddle.dot, 对应行的行向量两两做内积，shape = [ma, 1]

    • paddle.tensordot,

      • axes=[0], 所有列向量两两做内积，shape = [na, na]

      • axes=[1], 所有行向量两两做内积，shape = [ma, ma]

      • axes=[0, 1], 对应行的行向量两两做内积，求和，shape = [1]

  • torch: torch.dot，仅支持1维向量内积

外积/outer product

向量积/corss product

乘积

叉乘

矩阵乘法/矩阵积

第1个输入矩阵的第2维shape必须与第2个输入矩阵的第1维shape相同

矩阵外积，使用A与B进行外积：

  • numpy：

    • np.inner，shape = [ma, nb]

    • np.dot，shape = [ma, nb]

  • paddle：

    • paddle.matmul，shape = [ma, nb]

    • paddle.mm，shape = [ma, nb]

  • torch：

    • torch.matmul，shape = [ma, nb]

    • torch.mm，shape = [ma, nb]

元素积/element-wise product

点乘/point-wise product

哈达玛积/Hadamard product

输入shape必须相同

矩阵元素，使用A与C进行内积

  • numpy：

    • *, shape = [ma, na]

    • np.multiply, shape = [ma, na]

  • paddle：

    • *, shape = [ma, na]

    • paddle.multiply, shape = [ma, na]

  • torch: torch.dot

    • *, shape = [ma, na]

    • torch.multiply, shape = [ma, na]

    • torch.mul, shape = [ma, na]

直积/direct product

克罗内克积/Kronecker product

笛卡尔积/Cartesian product

两矩阵中所有元素对应相乘

输入任意shape的两矩阵

矩阵元素，使用A与B进行内积

  • numpy：np.kron, shape = [ma * mb, na * nb]

  • paddle：paddle.kron, shape = [ma * mb, na * nb]

  • torch(version>=1.8.0)：torch.kron, shape = [ma * mb, na * nb]

张量积/tensor product

代码：

# -*- coding: utf-8 -*- 
# @File             : matirx_product.py 
# @Author           : zhaoHL
# @Contact          : huilin16@qq.com
# @Time Create First: 2022/3/2 15:51 
# @Contributor      : zhaoHL
# @Time Modify Last : 2022/3/2 15:51 
'''
@File Description:
​
'''
from __future__ import print_function
from __future__ import division
import paddle
import torch
import numpy as np
​
A = [[1, 2],
     [3, 4],
     [5, 6]]
B = [[1, 2, 3],
     [4, 5, 6]]
C = A.copy()
​
a = [1, 2, 3]
c = a.copy()
​
def matrix_inner_product(A, B):
    A_np = np.array(A)
    B_np = np.array(B)
    inner_pd_np = np.inner(A_np, B_np)
    print('numpy demo'.center(50, '-'))
    print('A_np.shape', A_np.shape)
    print('B_np.shape', B_np.shape)
    print('inner_pd_np.shape', inner_pd_np.shape)
    print('inner_pd_np\n', inner_pd_np, '\n')
​
    A_paddle = paddle.to_tensor(A, dtype=paddle.float32)
    B_paddle = paddle.to_tensor(B, dtype=paddle.float32)
    inner_pd_paddle = paddle.dot(A_paddle, B_paddle)
    inner_pd_paddle0 = paddle.tensordot(A_paddle, B_paddle, axes=[0])
    inner_pd_paddle1 = paddle.tensordot(A_paddle, B_paddle, axes=[1])
    inner_pd_paddle01 = paddle.tensordot(A_paddle, B_paddle, axes=[0, 1])
    print('paddle demo'.center(50, '-'))
    print('A_paddle.shape', A_paddle.shape)
    print('B_paddle.shape', B_paddle.shape)
    print('inner_pd_paddle\n', inner_pd_paddle)
    print(inner_pd_paddle0)
    print(inner_pd_paddle1)
    print(inner_pd_paddle01, '\n')
​
​
def vector_inner_product(a, b):
    A_torch = torch.tensor(a)
    B_torch = torch.tensor(b)
    inner_pd_torch = torch.dot(A_torch, B_torch)
    print('torch demo'.center(50, '-'))
    print('A_torch.shape', A_torch.shape)
    print('B_torch.shape', B_torch.shape)
    print('inner_pd_torch\n', inner_pd_torch, '\n')
​
​
def matrix_outer_product(A, B):
    A_np = np.array(A)
    B_np = np.array(B)
    outer_pd_np = np.matmul(A_np, B_np)
    outer_pd_np0 = np.dot(A_np, B_np)
    print('numpy demo'.center(50, '-'))
    print('A_np.shape', A_np.shape)
    print('B_np.shape', B_np.shape)
    print('outer_pd_np.shape', outer_pd_np.shape)
    print('outer_pd_np\n', outer_pd_np, '\n', outer_pd_np0, '\n')
​
    A_paddle = paddle.to_tensor(A, dtype=paddle.float32)
    B_paddle = paddle.to_tensor(B, dtype=paddle.float32)
    outer_pd_paddle = paddle.matmul(A_paddle, B_paddle)
    outer_pd_paddle0 = paddle.mm(A_paddle, B_paddle)
    print('paddle demo'.center(50, '-'))
    print('A_paddle.shape', A_paddle.shape)
    print('B_paddle.shape', B_paddle.shape)
    print('outer_pd_paddle\n', outer_pd_paddle, '\n', outer_pd_paddle0, '\n')
​
    A_torch = torch.tensor(A)
    B_torch = torch.tensor(B)
    outer_pd_torch = torch.matmul(A_torch, B_torch)
    outer_pd_torch0 = torch.mm(A_torch, B_torch)
    print('torch demo'.center(50, '-'))
    print('A_torch.shape', A_torch.shape)
    print('B_torch.shape', B_torch.shape)
    print('outer_pd_torch\n', outer_pd_torch, '\n', outer_pd_torch0, '\n')
​
​
def matrix_ele_product(A, B):
    A_np = np.array(A)
    B_np = np.array(B)
    ele_pd_np = A_np * B_np
    ele_pd_np0 = np.multiply(A_np, B_np)
    print('numpy demo'.center(50, '-'))
    print('A_np.shape', A_np.shape)
    print('B_np.shape', B_np.shape)
    print('ele_pd_np.shape', ele_pd_np.shape)
    print('ele_pd_np\n', ele_pd_np, '\n', ele_pd_np0, '\n')
​
    A_paddle = paddle.to_tensor(A, dtype=paddle.float32)
    B_paddle = paddle.to_tensor(B, dtype=paddle.float32)
    ele_pd_paddle = A_paddle * B_paddle
    ele_pd_paddle0 = paddle.multiply(A_paddle, B_paddle)
    print('paddle demo'.center(50, '-'))
    print('A_paddle.shape', A_paddle.shape)
    print('B_paddle.shape', B_paddle.shape)
    print('ele_pd_paddle\n', ele_pd_paddle, '\n', ele_pd_paddle0, '\n')
​
    A_torch = torch.tensor(A)
    B_torch = torch.tensor(B)
    ele_pd_torch = A_torch * B_torch
    ele_pd_torch0 = torch.multiply(A_torch, B_torch)
    ele_pd_torch1 = torch.mul(A_torch, B_torch)
    print('torch demo'.center(50, '-'))
    print('A_torch.shape', A_torch.shape)
    print('B_torch.shape', B_torch.shape)
    print('ele_pd_torch\n', ele_pd_torch, '\n', ele_pd_torch0, '\n', ele_pd_torch1, '\n')
​
def matrix_direct_product(A, B):
    A_np = np.array(A)
    B_np = np.array(B)
    dir_pd_np = np.kron(A_np, B_np)
    print('numpy demo'.center(50, '-'))
    print('A_np.shape', A_np.shape)
    print('B_np.shape', B_np.shape)
    print('dir_pd_np.shape', dir_pd_np.shape)
    print('dir_pd_np\n', dir_pd_np, '\n')
​
    A_paddle = paddle.to_tensor(A, dtype=paddle.float32)
    B_paddle = paddle.to_tensor(B, dtype=paddle.float32)
    dir_pd_paddle = paddle.kron(A_paddle, B_paddle)
    print('paddle demo'.center(50, '-'))
    print('A_paddle.shape', A_paddle.shape)
    print('B_paddle.shape', B_paddle.shape)
    print('dir_pd_paddle\n', dir_pd_paddle, '\n')
​
    A_torch = torch.tensor(A)
    B_torch = torch.tensor(B)
    dir_pd_torch = torch.kron(A_torch, B_torch)
    print('torch demo'.center(50, '-'))
    print('A_torch.shape', A_torch.shape)
    print('B_torch.shape', B_torch.shape)
    print('dir_pd_torch\n', dir_pd_torch, '\n')
​
​
if __name__ == '__main__':
    pass
    vector_inner_product(a, c)
    matrix_inner_product(A, C)
​
    matrix_outer_product(A, B)
​
    matrix_ele_product(A, C)
​
    matrix_direct_product(A, B)
举报

相关推荐

C语言矩阵乘积（ZZULIOJ1127:矩阵乘积）

算法

动态规划——矩阵连乘积

算法i++动态规划算法最优解编程语言

3.6输入两个矩阵，求矩阵的乘积。

排序算法蓝桥杯

【算法题】2906. 构造乘积矩阵

算法矩阵数据结构

每日刷题3——牛客，算术转换和二级指针，BC98 序列中删除指定数字BC107 矩阵转置BC111 小乐乐与进制转换BC90 矩阵计算BC106 上三角矩阵判定BC105 矩阵相等判

矩阵线性代数算法c语言

C++前缀和算法：构造乘积矩阵

算法

牛客网BC107矩阵转置

算法3d机器学习

Navite 操作 MonggoDb简述

MonggoDbNavite增删改查Java后端开发

文件操作原理简述

c语言linuxubuntu

关于Python文件操作简述

python开发语言
0 条评论