Bilinear

class torch.nn.Bilinear(in1_features, in2_features, out_features, bias=True, device=None, dtype=None)

对输入数据应用双线性变换： $y = x_1^T A x_2 + b$.

参数

• in1_features (int) – 每个第一个输入的样本大小，必须大于 0

• in2_features (int) – 每个第二个输入的样本大小，必须大于 0

• out_features (int) – 每个输出的样本大小，必须大于 0

• bias (bool) – 如果设置为 False，则该层将不学习加性偏置。默认值：True

形状

• 输入1： $(*, H_\text{in1})$ 其中 $H_\text{in1}=\text{in1\_features}$ 和 $*$ 表示零个或多个附加维度。输入的所有维度（除了最后一个）都必须相同。

• 输入2： $(*, H_\text{in2})$ 其中 $H_\text{in2}=\text{in2\_features}$。

• 输出： $(*, H_\text{out})$ 其中 $H_\text{out}=\text{out\_features}$ 和除最后一个维度外的所有维度形状与输入相同。

变量

• weight (torch.Tensor) – 模块的可学习权重，形状为 $(\text{out\_features}, \text{in1\_features}, \text{in2\_features})$。值从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$, 其中 $k = \frac{1}{\text{in1\_features}}$

• bias – 模块的可学习偏置，形状为 $(\text{out\_features})$。如果 bias 为 True，则值从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$, 其中 $k = \frac{1}{\text{in1\_features}}$

示例

>>> m = nn.Bilinear(20, 30, 40)
>>> input1 = torch.randn(128, 20)
>>> input2 = torch.randn(128, 30)
>>> output = m(input1, input2)
>>> print(output.size())
torch.Size([128, 40])

extra_repr()

返回模块的额外表示。

返回类型

str

forward(input1, input2)

执行前向传播。

返回类型

张量

reset_parameters()

根据 __init__ 中使用的初始化重置参数。