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 1 维的,则返回点积(标量)。
如果两个参数都是 2 维的,则返回矩阵-矩阵乘积。
如果第一个参数是 1 维的,第二个参数是 2 维的,则在其维度前预置一个 1 以进行矩阵乘法。矩阵乘法后,预置的维度将被移除。
如果第一个参数是 2 维的,第二个参数是 1 维的,则返回矩阵-向量乘积。
如果两个参数都至少是 1 维的,并且至少一个参数是 N 维的(其中 N > 2),则返回批量矩阵乘法。如果第一个参数是 1 维的,则在其维度前预置一个 1 以进行批量矩阵乘法,并在之后移除。如果第二个参数是 1 维的,则在其维度后附加一个 1 以进行批量矩阵乘法,并在之后移除。非矩阵维度(即批次维度)会进行广播(因此必须是可广播的)。例如,如果
input
是一个 张量,而other
是一个 张量,则out
将是一个 张量。请注意,广播逻辑仅在确定输入是否可广播时查看批次维度,而不是矩阵维度。例如,如果
input
是一个 张量,而other
是一个 张量,即使最后两个维度(即矩阵维度)不同,这些输入也适用于广播。out
将是一个 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 2 维的)支持稀疏参数,其限制与
torch.mm()
相同警告
稀疏支持是一项 Beta 功能,某些布局/dtype/设备组合可能不受支持,或者可能不支持自动求导。如果您发现缺少功能,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,此模块将为反向传播使用不同的精度。
注意
此函数的 1 维点积版本不支持
out
参数。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])