問題：由于在輸入lstm 層每個batch 做了根據(jù)輸入序列最大長度做了padding,導致每個 batch 的 length 不同。導致輸出長度不同。如：（batch, length, output_dim）: （12,128,10），（12,111,10）. 但是輸入 linear 層的時候沒有出現(xiàn)問題。

網(wǎng)站解釋：

官網(wǎng) pytorch linear：

Input:(*, H_{in})(∗,Hin?)where*∗means any number of dimensions including none andH_{in} = \text{in\_features}Hin?=in_features. 任意維度 number 理解有歧義 (a)number. k可以理解三維，四維。。。 (b) 可以理解為某一維度的數(shù) 。
Output:(*, H_{out})(∗,Hout?)where all but the last dimension are the same shape as the input andH_{out} = \text{out\_features}Hout?=out_features.

代碼解釋：

分別用三維和二維輸入數(shù)組，查看他們參數(shù)數(shù)目是否一樣。

import torch
 
x = torch.randn(128, 20)  # 輸入的維度是（128，20）
m = torch.nn.Linear(20, 30)  # 20,30是指維度
output = m(x)
print('m.weight.shape:\n ', m.weight.shape)
print('m.bias.shape:\n', m.bias.shape)
print('output.shape:\n', output.shape)
 
# ans = torch.mm(input,torch.t(m.weight))+m.bias 等價于下面的
ans = torch.mm(x, m.weight.t()) + m.bias   
print('ans.shape:\n', ans.shape)
 
print(torch.equal(ans, output))

output：

m.weight.shape:
  torch.Size([30, 20])
m.bias.shape:
 torch.Size([30])
output.shape:
 torch.Size([128, 30])
ans.shape:
 torch.Size([128, 30])
True

x = torch.randn(128, 30,20)  # 輸入的維度是（128,30，20）
m = torch.nn.Linear(20, 30)  # 20,30是指維度
output = m(x)
print('m.weight.shape:\n ', m.weight.shape)
print('m.bias.shape:\n', m.bias.shape)
print('output.shape:\n', output.shape)

ouput：
m.weight.shape:
  torch.Size([30, 20])
m.bias.shape:
 torch.Size([30])
output.shape:
 torch.Size([128, 30, 30])

結果：

（128,30,20），和（128,20）分別是如 nn.linear(30,20) 層。

weight.shape 均為：（30,20）

linear（）參數(shù)數(shù)目只和 input_dim ,output_dim 有關。

weight 在源碼的定義，沒找到如何計算多維input的代碼。

到此這篇關于Pytorch linear 多維輸入的參數(shù)的文章就介紹到這了,更多相關Pytorch多維輸入內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

軟件下載

源碼下載

軟件編程

網(wǎng)絡編程

在線工具

數(shù)據(jù)庫

CMS

常用工具

Pytorch?linear?多維輸入的參數(shù)問題

代碼解釋：

相關文章

最新評論

大家感興趣的內(nèi)容

最近更新的內(nèi)容

常用在線小工具