快捷方式

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×1×n×n)(j \times 1 \times n \times n) 张量,而other 是一个 (k×n×n)(k \times n \times n) 张量,out 将是一个 (j×k×n×n)(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×1×n×m)(j \times 1 \times n \times m) 张量,而 other 是一个 (k×m×p)(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×k×n×p)(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])

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源