比较与torch.Bilinear的差异

torch.nn.Bilinear

torch.nn.Bilinear(
    in1_features,
    in2_features,
    out_features,
    bias=True)(input1, input2) -> Tensor

更多内容详见torch.nn.Bilinear。

mindspore.nn.BiDense

mindspore.nn.BiDense(
    in1_channels,
    in2_channels,
    out_channels,
    weight_init=None,
    bias_init=None,
    has_bias=True)(input1, input2) -> Tensor

更多内容详见mindspore.nn.BiDense。

差异对比

PyTorch：双线性全连接层。

MindSpore：MindSpore此API实现功能与PyTorch基本一致。可以通过 weight_init 和 bias_init 分别设置权重和偏置的初始化方法，PyTorch无此功能。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	in1_features	in1_channels	功能一致，参数名不同
	参数2	in2_features	in2_channels	功能一致，参数名不同
	参数3	out_features	out_channels	功能一致，参数名不同
	参数4	-	weight_init	权重参数的初始化方法，PyTorch无此参数
	参数5	-	bias_init	偏置参数的初始化方法，PyTorch无此参数
	参数6	bias	has_bias	功能一致，参数名不同
输入	输入1	input1	input1	功能一致
	输入2	input2	input2	功能一致

代码示例

# PyTorch
import torch

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

# MindSpore
import mindspore
m = mindspore.nn.BiDense(20, 30, 40)
input1 = mindspore.ops.randn(128, 20)
input2 = mindspore.ops.randn(128, 30)
output = m(input1, input2)
print(output.shape)
# (128, 40)