在人工智能领域 ⊕、⊗和 ⊙ 符号是什么含义？
参考原文链接：https://blog.csdn.net/weixin_44878336/article/details/124501040。可以看到就是普通的矩阵乘法，要求 A 矩阵第二维度与 B 矩阵第一维度相等。从公式可以看到，⊕ 表示对应元素相加，即两个矩阵的形状必须相同。torch.mm() 或 torch.matmul()与矩阵加法 ⊕类似，也是要求两个矩阵的维度必须相同。* 或 to
我们经常在论文中看到 ⊕、⊗和 ⊙ 符号，那么有下面两个问题：
这三个符号有什么作用呢？
如何在论文中正确使用这三个数学符号
1. 两种符号的解释
1.1 逐元素相加：⊕
⊕ 在论文中表示逐元素相加，如果用两个矩阵表示，即：
从公式可以看到，⊕ 表示对应元素相加，即两个矩阵的形状必须相同。
1.2 矩阵乘法：⊗
圈乘 ⊗ 表示传统线性代数学的矩阵乘法，用公式即：
可以看到就是普通的矩阵乘法，要求 A 矩阵第二维度与 B 矩阵第一维度相等。
1.3 矩阵点乘：⊙
矩阵点乘 ⊙表示矩阵对应位置元素相乘，例子如下： 
与矩阵加法 ⊕类似，也是要求两个矩阵的维度必须相同。
2. 两种符号的代码表示
| 名称 |
符号 | PyTorch 代码 | 含义 | 条件 |
|
矩阵乘法(element-wise) |
⊗ |
torch.mm() 或 torch.matmul() |
矩阵乘法(自动广播) |
形状相同或满足广播机制 |
|
矩阵加法(element-wise) |
⊕ |
+ 或 torch.add(A, B) |
两个矩阵对应位置元素相加 |
形状相同或满足广播机制 |
|
矩阵点乘 |
⊙ |
* 或 torch.mul(A, B) |
两个矩阵对应位置元素相乘(自动广播) |
形状相同或满足广播机制 |
参考原文链接：https://blog.csdn.net/weixin_44878336/article/details/124501040
汇聚全球AI编程工具，助力开发者即刻编程。
更多推荐
9
0- 0
已为社区贡献1条内容
所有评论(0)