mindspore.ops.baddbmm

mindspore.ops.baddbmm(input, batch1, batch2, beta=1, alpha=1)

对输入的两个三维矩阵batch1与batch2相乘，并将结果与input相加。 计算公式定义如下：

$${\text{out}}_i=\beta {\text{input}}_i+\alpha ({\text{batch1}}_i@{\text{batch2}}_i)$$

参数：

• input (Tensor) - 输入Tensor，当batch1是 $(C,W,T)$ 的Tensor而且batch2是一个 $(C,T,H)$ 的Tensor时，输入必须为可以被广播为 $(C,W,H)$ 形状的Tensor。

• batch1 (Tensor) - 公式中的 $batch1$ 。必须为3-D的Tensor，类型与 input 一致。

• batch2 (Tensor) - 公式中的 $batch2$ 。必须为3-D的Tensor，类型与 input 一致。

• beta (Union[float, int], 可选) - 输入的乘数。默认值： 1 。

• alpha (Union[float, int]，可选) - $batch1@batch2$ 的系数，默认值： 1 。当输入的类型不是 FloatTensor 时，参数 beta 和 alpha 必须是整数，否则它们应该是实数。

返回：

Tensor，其数据类型与 input 相同，维度为 $(C,W,H)$。

异常：

• TypeError - input 、 batch1 或 batch2 的类型不是Tensor。

• TypeError - input 、 batch1 或 batch2 数据类型不一致。

• TypeError - 对于类型为 FloatTensor 或 DoubleTensor 的输入，参数 beta 和 alpha 应该是实数，否则应该是整数。

• TypeError - beta 、 alpha 不是实数类型。

• ValueError - batch1 或 batch2 的不是三维Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> input = Tensor(np.ones([1, 3, 3]).astype(np.float32))
>>> batch1 = Tensor(np.ones([1, 3, 4]).astype(np.float32))
>>> batch2 = Tensor(np.ones([1, 4, 3]).astype(np.float32))
>>> output = ops.baddbmm(input, batch1, batch2)
>>> print(output)
[[[5. 5. 5.]
  [5. 5. 5.]
  [5. 5. 5.]]]