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 张量,而other
是一个 张量,out
将是一个 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 张量,而other
是一个 张量,即使最后两个维度(即矩阵维度)不同,这些输入对于广播也是有效的。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。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])