Bilinear

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

应用双线性变换到输入的张量： $y = x_1^T A x_2 + b$.

参数

• in1_features (int) – 每个输入样本的大小，必须 > 0

• in2_features (int) – 每个输入样本的大小，必须 > 0

• out_features (int) – 每个输出样本的大小，必须 > 0

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

形状

• 输入1： $(*, H_\text{in1})$，其中 $H_\text{in1}=\text{in1\_features}$，而 $*$ 表示任何数量的附加维度，包括零个。输入张量的除最后一个维度外的所有维度都应相同。

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

• 输出： $(*, H_\text{out})$ 其中 $H_\text{out}=\text{out\_features}$ 以及除最后一个维度外，其余维度与输入形状相同。

变量

• weight ( torch.Tensor) – 模块的可学习权重，形状为 $(\text{out\_features}, \text{in1\_features}, \text{in2\_features})$。值初始化自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$，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，则值初始化自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$，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])