torch.einsum#

torch.einsum(equation, *operands) → Tensor[source]#

使用基于爱因斯坦求和约定的符号，对输入 operands 的元素在指定维度上的乘积进行求和。

Einsum 允许通过基于爱因斯坦求和约定的简写格式来计算许多常见的**多维线性代数数组运算**，该格式由 equation 指定。此格式的详细信息将在下文描述，但其基本思想是为输入 operands 的每个维度分配一个下标，并定义哪些下标属于输出。然后，通过对输入 operands 的元素进行乘积求和来计算输出，求和的维度是那些下标不属于输出的维度。例如，矩阵乘法可以使用 einsum 来计算，如 torch.einsum(“ij,jk->ik”, A, B)。在这里，j 是求和下标，i 和 k 是输出下标（有关为什么会这样，请参阅下文）。

Equation

“equation”字符串以相同顺序指定输入 operands 每个维度的下标（`[a-zA-Z]` 中的字母），用逗号（‘,’）分隔每个操作数的下标，例如 ‘ij,jk’ 指定两个二维操作数的下标。具有相同下标的维度必须是可广播的，即它们的大小必须匹配或为 1。例外情况是，如果同一输入操作数的下标重复出现，则该操作数中带有此下标的维度大小必须匹配，并且该操作数将被替换为其沿这些维度的对角线。在 equation 中恰好出现一次的下标将成为输出的一部分，并按字母顺序升序排序。通过对输入 operands 进行逐元素相乘来计算输出，维度根据下标对齐，然后对不属于输出的下标所对应的维度进行求和。

可选地，可以通过在方程末尾添加箭头（‘->’）并后跟输出的下标来显式定义输出下标。例如，以下方程计算矩阵乘法的转置：‘ij,jk->ki’。输出下标必须在某个输入操作数中至少出现一次，并在输出中最多出现一次。

省略号（‘…’）可以用来代替下标来广播省略号所覆盖的维度。每个输入操作数最多只能包含一个省略号，它将覆盖下标未覆盖的维度。例如，对于具有 5 个维度的输入操作数，方程 ‘ab…c’ 中的省略号将覆盖第三个和第四个维度。省略号不需要覆盖 operands 之间相同数量的维度，但省略号的“形状”（它们所覆盖的维度的尺寸）必须能够一起广播。如果输出没有用箭头（‘->’）表示法显式定义，则省略号将出现在输出（最左边的维度）中，排在输入操作数中恰好出现一次的下标标签之前。例如，以下方程实现了批矩阵乘法 ‘…ij,…jk’。

最后几点说明：方程中不同元素（下标、省略号、箭头和逗号）之间可以包含空格，但像 ‘…’ 这样的写法无效。空字符串 ‘’ 对于标量操作数是有效的。

注意

torch.einsum 处理省略号（‘…’）的方式与 NumPy 不同，它允许对省略号所覆盖的维度进行求和，也就是说，省略号不需要成为输出的一部分。

注意

请安装 opt-einsum （https://optimized-einsum.readthedocs.io/en/stable/）以获得更高效的 einsum。您可以在安装 torch 时进行安装，如下所示：pip install torch[opt-einsum]，或者单独安装：pip install opt-einsum。

如果 opt-einsum 可用，此函数将自动通过我们的 opt_einsum 后端 torch.backends.opt_einsum （“_”与“-”的混淆很令人困惑，我知道）优化收缩顺序，从而加速计算和/或减少内存消耗。当输入数量至少为三个时，就会发生这种优化，因为否则顺序无关紧要。请注意，找到“最优”路径是一个 NP-hard 问题，因此，opt-einsum 依赖于不同的启发式方法来实现接近最优的结果。如果 opt-einsum 不可用，默认顺序是从左到右进行收缩。

要绕过此默认行为，请添加以下行以禁用 opt_einsum 并跳过路径计算：torch.backends.opt_einsum.enabled = False

要指定 opt_einsum 用于计算收缩路径的策略，请添加以下行：torch.backends.opt_einsum.strategy = 'auto'。默认策略是“auto”，我们还支持“greedy”和“optimal”。需要注意的是，“optimal”策略的运行时是输入数量的阶乘！有关更多详细信息，请参阅 opt_einsum 文档（https://optimized-einsum.readthedocs.io/en/stable/path_finding.html）。

注意

从 PyTorch 1.10 开始，torch.einsum() 也支持子列表格式（请参阅下面的示例）。在此格式中，每个操作数的下标由子列表指定，即范围在 [0, 52) 内的整数列表。这些子列表跟在它们的操作数后面，并且可以在输入末尾添加一个额外的子列表来指定输出的下标，例如 torch.einsum(op1, sublist1, op2, sublist2, …, [subslist_out])。Python 的 Ellipsis 对象可以作为子列表提供，以启用上面“Equation”部分中描述的广播。

参数

equation (str) – 用于爱因斯坦求和的下标。
operands (List[Tensor]) – 用于计算爱因斯坦求和的张量。

返回类型

张量

示例

>>> # trace
>>> torch.einsum('ii', torch.randn(4, 4))
tensor(-1.2104)

>>> # diagonal
>>> torch.einsum('ii->i', torch.randn(4, 4))
tensor([-0.1034,  0.7952, -0.2433,  0.4545])

>>> # outer product
>>> x = torch.randn(5)
>>> y = torch.randn(4)
>>> torch.einsum('i,j->ij', x, y)
tensor([[ 0.1156, -0.2897, -0.3918,  0.4963],
        [-0.3744,  0.9381,  1.2685, -1.6070],
        [ 0.7208, -1.8058, -2.4419,  3.0936],
        [ 0.1713, -0.4291, -0.5802,  0.7350],
        [ 0.5704, -1.4290, -1.9323,  2.4480]])

>>> # batch matrix multiplication
>>> As = torch.randn(3, 2, 5)
>>> Bs = torch.randn(3, 5, 4)
>>> torch.einsum('bij,bjk->bik', As, Bs)
tensor([[[-1.0564, -1.5904,  3.2023,  3.1271],
        [-1.6706, -0.8097, -0.8025, -2.1183]],

        [[ 4.2239,  0.3107, -0.5756, -0.2354],
        [-1.4558, -0.3460,  1.5087, -0.8530]],

        [[ 2.8153,  1.8787, -4.3839, -1.2112],
        [ 0.3728, -2.1131,  0.0921,  0.8305]]])

>>> # with sublist format and ellipsis
>>> torch.einsum(As, [..., 0, 1], Bs, [..., 1, 2], [..., 0, 2])
tensor([[[-1.0564, -1.5904,  3.2023,  3.1271],
        [-1.6706, -0.8097, -0.8025, -2.1183]],

        [[ 4.2239,  0.3107, -0.5756, -0.2354],
        [-1.4558, -0.3460,  1.5087, -0.8530]],

        [[ 2.8153,  1.8787, -4.3839, -1.2112],
        [ 0.3728, -2.1131,  0.0921,  0.8305]]])

>>> # batch permute
>>> A = torch.randn(2, 3, 4, 5)
>>> torch.einsum('...ij->...ji', A).shape
torch.Size([2, 3, 5, 4])

>>> # equivalent to torch.nn.functional.bilinear
>>> A = torch.randn(3, 5, 4)
>>> l = torch.randn(2, 5)
>>> r = torch.randn(2, 4)
>>> torch.einsum('bn,anm,bm->ba', l, A, r)
tensor([[-0.3430, -5.2405,  0.4494],
        [ 0.3311,  5.5201, -3.0356]])

torch.einsum#

文档

教程

资源