torch.matmul

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

两个张量的矩阵乘积。

张量的行为取决于张量的维度，具体如下：

• 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，而第二个参数是二维的，则在矩阵乘法之前在其维度前添加一个 1。矩阵乘法之后，将移除添加的维度。

• 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法。如果第一个参数是一维的，则在其维度前添加 1 以用于批处理矩阵乘法，之后移除。如果第二个参数是一维的，则在其维度后添加 1 以用于批处理矩阵乘法，之后移除。非矩阵（即批处理）维度进行广播（因此必须是可广播的）。例如，如果 input 是一个 $(j \times 1 \times n \times n)$ 张量， other 是一个 $(k \times n \times n)$ 张量，那么 out 将是一个 $(j \times k \times n \times n)$ 张量。

  注意，广播逻辑仅在确定输入是否可广播时查看批处理维度，而不是矩阵维度。例如，如果 input 是一个 $(j \times 1 \times n \times m)$ 张量， other 是一个 $(k \times m \times p)$ 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 $(j \times k \times n \times p)$ 张量。

该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）支持具有与 torch.mm() 相同的限制的稀疏参数。

警告

稀疏支持是测试版功能，某些布局(s)/dtype/设备组合可能不受支持，或者可能没有自动微分支持。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，该模块将使用不同的精度进行反向操作。

注意

该函数的一维点积版本不支持 out 参数。

参数:

• 输入（张量）- 要相乘的第一个张量

• 其他（张量）- 要相乘的第二个张量

关键字参数:

输出（张量，可选）- 输出张量。

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])