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，則傳回點積（純量）。

• 如果兩個引數都是二維的，則會回傳矩陣與矩陣的乘積。

• 如果第一個引數是一維的，而第二個引數是二維的，為了進行矩陣相乘，會在第一個引數的維度前加上 1。矩陣相乘後，會移除這個前置的維度。

• 如果第一個引數是二維的，而第二個引數是一維的，則會回傳矩陣與向量的乘積。

• 如果兩個引數至少都是一維的，且至少有一個引數是 N 維的（其中 N > 2），則會回傳批次矩陣乘積。如果第一個引數是一維的，為了進行批次矩陣相乘，會在它的維度前加上 1，並在計算後移除。如果第二個引數是一維的，為了進行批次矩陣相乘，會在它的維度後加上 1，並在計算後移除。非矩陣（即批次）維度會進行廣播（因此必須是可以廣播的）。例如，如果 input 是一個 $(j \times 1 \times n \times n)$ 張量，而 other 是一個 $(k \times n \times n)$ 張量，則 out 將會是一個 $(j \times k \times n \times n)$ 張量。

  請注意，廣播邏輯在判斷輸入是否可以廣播時，只會查看批次維度，而不會查看矩陣維度。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，即使最後兩個維度（即矩陣維度）不同，這些輸入也可以進行廣播。out 將會是一個 $(j \times k \times n \times p)$ 張量。

此操作支援帶有稀疏佈局的引數。 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

稀疏支援是一個 Beta 功能，某些佈局/dtype/裝置組合可能不受支援，或者可能不支援自動微分。如果您注意到缺少功能，請開啟一個功能請求。

此運算子支援 TensorFloat32。

在某些 ROCm 裝置上，當使用 float16 輸入時，此模組將對向後傳播使用不同的精度。

注意

此函數的一維點積版本不支援 out 參數。

參數

• input (Tensor) – 要相乘的第一個張量

• other (Tensor) – 要相乘的第二個張量

關鍵字參數

out (Tensor, optional) – 輸出張量（可選）。

範例

>>> # 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])