mindspore.mint.addbmm

mindspore.mint.addbmm(input, batch1, batch2, *, beta=1, alpha=1)

对 batch1 和 batch2 中的矩阵相乘，按照第一维度累计相加，再与 input 相加。

说明

• batch1 和 batch2 必须是三维的tensor，且包含相同数量的矩阵。

• 如果 batch1 是大小为 \((C, W, T)\) 的tensor， batch2 是大小为 \((C, T, H)\) 的tensor， 则 input 必须能够与大小为 \((W, H)\) 的tensor进行广播，且输出将是大小为 \((W, H)\) 的tensor。

• 若 beta 为0，那么 input 将会被忽略。

\[output = \beta input + \alpha (\sum_{i=0}^{b-1} {batch1_i @ batch2_i})\]

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - 输入tensor。

• batch1 (Tensor) - 第一个将被乘batch矩阵。

• batch2 (Tensor) - 第二个将被乘batch矩阵。

关键字参数：

• beta (Union[int, float]，可选) - input 的尺度因子。默认 1 。

• alpha (Union[int, float]，可选) - batch1 @ batch2 的尺度因子。默认 1 。

返回：

Tensor

支持平台：

Ascend

样例：

>>> import mindspore
>>> m = mindspore.mint.ones([3, 3])
>>> arr1 = mindspore.mint.arange(24.0).reshape((2, 3, 4))
>>> arr2 = mindspore.mint.arange(24.0).reshape((2, 4, 3))
>>> mindspore.mint.addbmm(m, arr1, arr2)
    Tensor(shape=[3, 3], dtype=Float32, value=
    [[ 9.49000000e+02,  1.00900000e+03,  1.06900000e+03],
     [ 1.28500000e+03,  1.37700000e+03,  1.46900000e+03],
     [ 1.62100000e+03,  1.74500000e+03,  1.86900000e+03]])