AllenNLP中的weighted_sum()函数使用指定的权重对张量进行加权求和

在AllenNLP中，weighted_sum()函数可用于计算给定权重的张量加权求和。这个函数的定义如下：

def weighted_sum(tensors: List[torch.Tensor], weights: List[float]) -> torch.Tensor:
    weighted_tensors = [weight * tensor for weight, tensor in zip(weights, tensors)]
    return sum(weighted_tensors)

这个函数接受两个参数：tensors和weights。tensors是一个张量列表，weights是一个对应于tensors中张量的权重列表。函数将对每个张量乘以它对应的权重，然后将所有乘积张量相加，最终返回加权求和得到的张量。

为了更好地理解weighted_sum()函数的用法，下面给出一个使用例子：

import torch
from typing import List
from allennlp.nn import weighted_sum

# 创建一些张量和权重列表
tensors = [torch.tensor([1.0, 2.0, 3.0]), torch.tensor([4.0, 5.0, 6.0]), torch.tensor([7.0, 8.0, 9.0])]
weights = [0.2, 0.3, 0.5]

# 使用weighted_sum函数计算加权求和
result = weighted_sum(tensors, weights)

print(result)

在上面的例子中，我们先创建了一个包含三个张量的列表（分别为[1.0, 2.0, 3.0]，[4.0, 5.0, 6.0]，[7.0, 8.0, 9.0]），以及对应的权重列表[0.2, 0.3, 0.5]。然后，我们调用了weighted_sum()函数，传入张量列表和权重列表，计算了加权求和的结果。

运行上述代码，将得到输出 [4.8000, 5.9000, 7.0000]。你可以看到结果是每个位置上对应张量的加权求和，即(1.0 * 0.2 + 4.0 * 0.3 + 7.0 * 0.5, 2.0 * 0.2 + 5.0 * 0.3 + 8.0 * 0.5, 3.0 * 0.2 + 6.0 * 0.3 + 9.0 * 0.5)。

除了上面的例子，你还可以根据自己的需求传入不同的张量和权重来调用weighted_sum()函数，计算不同的加权求和结果。该函数可以广泛应用于许多领域和任务中，如机器学习、深度学习等。