torch.matmul

torch.matmul(input, other, *, out=None) → Tensor

两个张量的矩阵乘积。

行为取决于张量的维度，如下所示

• 如果两个张量都是一维的，则返回点积（标量）。

• 如果两个参数都是二维的，则返回矩阵-矩阵乘积。

• 如果第一个参数是一维的，第二个参数是二维的，则在计算矩阵乘法时，在其维度前添加一个 1。矩阵乘法完成后，移除预先添加的维度。

• 如果第一个参数是二维的，第二个参数是一维的，则返回矩阵-向量乘积。

• 如果两个参数至少都是一维的，并且至少有一个参数是 N 维的（其中 N > 2），则返回批处理矩阵乘积。如果第一个参数是一维的，则在进行批处理矩阵乘法时在其维度前添加一个 1，并在之后移除。如果第二个参数是一维的，则在进行批处理矩阵乘法时在其维度后添加一个 1，并在之后移除。非矩阵（即批处理）维度是广播的（因此必须是可广播的）。例如，如果input 是一个 $(j \times 1 \times n \times n)$ 张量，而other 是一个 $(k \times n \times n)$ 张量，out 将是一个 $(j \times k \times n \times n)$ 张量。

  请注意，广播逻辑在确定输入是否可广播时仅考虑批次维度，而不考虑矩阵维度。例如，如果input 是一个 $(j \times 1 \times n \times m)$ 张量，而 other 是一个 $(k \times m \times p)$ 张量，即使最后两个维度（即矩阵维度）不同，这些输入对于广播也是有效的。 out 将是一个 $(j \times k \times n \times p)$ 张量。

此操作支持具有 稀疏布局 的参数。特别是矩阵-矩阵（两个参数都是二维的）支持具有与 torch.mm() 相同限制的稀疏参数。

警告

稀疏支持是一个测试功能，某些布局/数据类型/设备组合可能不受支持，或者可能没有自动梯度支持。如果您注意到缺少功能，请提交功能请求。

此运算符支持 TensorFloat32。

在某些 ROCm 设备上，当使用 float16 输入时，此模块将使用 不同的精度 进行反向传播。

注意

此函数的一维点积版本不支持 out 参数。

参数

• input (张量) – 要相乘的第一个张量

• other (张量) – 要相乘的第二个张量

关键字参数

out (张量, 可选) – 输出张量。

示例

>>> # vector x vector
>>> tensor1 = torch.randn(3)
>>> tensor2 = torch.randn(3)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([])
>>> # matrix x vector
>>> tensor1 = torch.randn(3, 4)
>>> tensor2 = torch.randn(4)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([3])
>>> # batched matrix x broadcasted vector
>>> tensor1 = torch.randn(10, 3, 4)
>>> tensor2 = torch.randn(4)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([10, 3])
>>> # batched matrix x batched matrix
>>> tensor1 = torch.randn(10, 3, 4)
>>> tensor2 = torch.randn(10, 4, 5)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([10, 3, 5])
>>> # batched matrix x broadcasted matrix
>>> tensor1 = torch.randn(10, 3, 4)
>>> tensor2 = torch.randn(4, 5)
>>> torch.matmul(tensor1, tensor2).size()
torch.Size([10, 3, 5])