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，具體如下：

• 如果兩個張量都是 1 維，則返回點積（標量）。

• 如果兩個引數都是 2 維，則返回矩陣-矩陣乘積。

• 如果第一個引數是 1 維，第二個引數是 2 維，則在矩陣乘法之前，在第一個引數的維度前面新增一個 1。矩陣乘法之後，移除新增的維度。

• 如果第一個引數是 2 維，第二個引數是 1 維，則返回矩陣-向量乘積。

• 如果兩個引數至少都是 1 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 1 維，則在批處理矩陣乘法之前，在其維度前面新增一個 1，之後移除。如果第二個引數是 1 維，則在批處理矩陣乘法之前，在其維度後面新增一個 1，之後移除。非矩陣（即批處理）維度會被廣播（因此必須是可廣播的）。例如，如果 input 是一個 $(j \times 1 \times n \times n)$ 形狀的張量，other 是一個 $(k \times n \times n)$ 形狀的張量，則 out 將是 $(j \times k \times n \times n)$ 形狀的張量。

  請注意，廣播邏輯在確定輸入是否可廣播時，僅檢視批處理維度，而不檢視矩陣維度。例如，如果 input 是一個 $(j \times 1 \times n \times m)$ 形狀的張量，other 是一個 $(k \times m \times p)$ 形狀的張量，即使最後兩個維度（即矩陣維度）不同，這些輸入對於廣播也是有效的。out 將是 $(j \times k \times n \times p)$ 形狀的張量。

此操作支援具有稀疏佈局的引數。特別是矩陣-矩陣乘法（兩個引數都是 2 維）支援具有與 torch.mm() 相同限制的稀疏引數。

警告

稀疏支援是 Beta 特性，某些 layout(s)/dtype/device 組合可能不受支援，或者可能不支援 autograd。如果您發現缺少功能，請提交 feature request。

此運算子支援 TensorFloat32。

在某些 ROCm 裝置上，當使用 float16 輸入時，此模組將在 backward 過程中使用不同的精度。

注意

此函式的 1 維點積版本不支援 out 引數。

引數

• input (Tensor) – 第一個要相乘的張量

• other (Tensor) – 第二個要相乘的張量

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])