https://blog.csdn.net/laox1ao/article/details/79159303
发现
对于torch.matmul和torch.bmm，都能实现对于batch的矩阵乘法：
a = torch.rand((2,3,10))
b = torch.rand((2,2,10))
### matmal()
res1 = torch.matmul(a,b.transpose(1,2))
print res1
"""
...
[torch.FloatTensor of size 2x3x2]
"""
### bmm()
res2 = torch.bmm(a,b.transpose(1,2))
print res2
"""
...
[torch.FloatTensor of size 2x3x2]
"""
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
从打印出来的几位数字来看，嗯，是一样的，但是在用等式（或者torch.eq()）检查是却发现了问题，竟然有很多不一样的元素
print torch.eq(res1,res2)
"""
(0 ,.,.) =
1 0
1 1
1 1
(1 ,.,.) =
0 1
1 1
1 1
[torch.ByteTensor of size 2x3x2]
"""
1
2
3
4
5
6
7
8
9
10
11
12
13
将一样的数值在ipython直接输出（print会截断位数）
>>>res1[0,0,0]
2.229752540588379
>>>res2[0,0,0]
2.229752540588379
1
2
3
4
再来看看不一样的
>>>res1[0,0,1]
3.035151720046997
>>>res2[0,0,1]
3.035151481628418
1
2
3
4
可以看到从小数点后位7位开始两个输出值出现了差异！
结论
所以说在tensor的同样操作下，出现不一致结果（精度上）的可能性很大，在做相等条件判断时需要注意，即使同样的输入同样的操作可能出现不一样的结果。
之后又尝试对于a,b的位置进行交换，竟然发现即使是同一个函数操作，如matmal()，matmul(a,b.transpose(1,2))和matmul(b,a.transpose(1,2)).transpose(1,2)结果也存在不一样的元素。
---------------------
版权声明：本文为CSDN博主「Laox1ao」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/laox1ao/article/details/79159303
