torch.matmul

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

兩個張量的矩陣乘積。

行為取決於張量的維度，如下所示：

• 如果兩個張量都是一維的，則返回點積（標量）。

• 如果兩個引數都是二維的，則返回矩陣-矩陣乘積。

• 如果第一個引數是一維的，第二個引數是二維的，則在進行矩陣乘法時，其維度前面會加上一個 1。矩陣乘法完成後，會移除新增的維度。

• 如果第一個引數是二維的，第二個引數是一維的，則返回矩陣-向量乘積。

• 如果兩個引數至少為一維，並且至少有一個引數是 N 維（N > 2），則返回批處理矩陣乘法。如果第一個引數是一維的，則在進行批處理矩陣乘法時，其維度前面會加上一個 1，並在之後移除。如果第二個引數是一維的，則在進行批處理矩陣乘法時，其維度後面會加上一個 1，並在之後移除。

  每個引數的前 N-2 個維度（批處理維度）將進行廣播（因此必須是可廣播的）。最後的 2 個維度（矩陣維度）按照矩陣-矩陣乘積的方式處理。

  例如，如果 input 是一個 $(j \times 1 \times n \times m)$ 張量，而 other 是一個 $(k \times m \times p)$ 張量，則批處理維度為 $(j \times 1)$ 和 $(k)$，矩陣維度為 $(n \times m)$ 和 $(m \times p)$。 out 將是一個 $(j \times k \times n \times p)$ 張量。

此操作支援具有稀疏佈局的引數。特別是，矩陣-矩陣（兩個引數都是二維的）支援稀疏引數，其限制與torch.mm()相同。

警告

稀疏支援是測試版功能，某些佈局/資料型別/裝置組合可能不支援，或可能不支援自動求導。如果您發現缺少功能，請提交功能請求。

此運算子支援TensorFloat32。

在某些 ROCm 裝置上，當使用 float16 輸入時，此模組將對反向傳播使用不同精度。

注意

此函式的 out 引數的一維點積版本不支援。

引數

• input (Tensor) – 要相乘的第一個張量

• other (Tensor) – 要相乘的第二個張量

關鍵字引數

out (Tensor, optional) – 輸出張量。

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])