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，具体如下：

• 如果两个张量都是 1 维，则返回点积（标量）。

• 如果两个参数都是 2 维，则返回矩阵-矩阵乘积。

• 如果第一个参数是 1 维，第二个参数是 2 维，则在矩阵乘法之前，在第一个参数的维度前面添加一个 1。矩阵乘法之后，移除添加的维度。

• 如果第一个参数是 2 维，第二个参数是 1 维，则返回矩阵-向量乘积。

• 如果两个参数至少都是 1 维，并且至少有一个参数是 N 维（N > 2），则返回批处理矩阵乘法。如果第一个参数是 1 维，则在批处理矩阵乘法之前，在其维度前面添加一个 1，之后移除。如果第二个参数是 1 维，则在批处理矩阵乘法之前，在其维度后面添加一个 1，之后移除。非矩阵（即批处理）维度会被广播（因此必须是可广播的）。例如，如果 input 是一个 $(j \times 1 \times n \times n)$ 形状的张量，other 是一个 $(k \times n \times n)$ 形状的张量，则 out 将是 $(j \times k \times n \times n)$ 形状的张量。

  请注意，广播逻辑在确定输入是否可广播时，仅查看批处理维度，而不查看矩阵维度。例如，如果 input 是一个 $(j \times 1 \times n \times m)$ 形状的张量，other 是一个 $(k \times m \times p)$ 形状的张量，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 $(j \times k \times n \times p)$ 形状的张量。

此操作支持具有稀疏布局的参数。特别是矩阵-矩阵乘法（两个参数都是 2 维）支持具有与 torch.mm() 相同限制的稀疏参数。

警告

稀疏支持是 Beta 特性，某些 layout(s)/dtype/device 组合可能不受支持，或者可能不支持 autograd。如果您发现缺少功能，请提交 feature request。

此操作符支持 TensorFloat32。

在某些 ROCm 设备上，当使用 float16 输入时，此模块将在 backward 过程中使用不同的精度。

注意

此函数的 1 维点积版本不支持 out 参数。

参数

• input (Tensor) – 第一个要相乘的张量

• other (Tensor) – 第二个要相乘的张量

关键字参数

out (Tensor, optional) – 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])