matmul

paddle. matmul ( x, y, transpose_x=False, transpose_y=False, name=None ) [源代码]

该op是计算两个Tensor的乘积，遵循完整的广播规则，关于广播规则，请参考 广播 (broadcasting) 。 并且其行为与 numpy.matmul 一致。目前，输入张量的维数可以是任意数量， matmul 可以用于 实现 dot ， matmul 和 batchmatmul 。实际行为取决于输入 x 、输入 y 、 transpose_x ， transpose_y 。具体如下：

  • 如果 transpose 为真，则对应 Tensor 的后两维会转置。如果Tensor的一维，则转置无效。假定 x 是一个 shape=[D] 的一维 Tensor，则 x 视为 [1, D]。然而， y 是一个shape=[D]的一维Tensor，则视为[D, 1]。

乘法行为取决于 x 和 y 的尺寸。 具体如下：

  • 如果两个张量均为一维，则获得点积结果。

  • 如果两个张量都是二维的，则获得矩阵与矩阵的乘积。

  • 如果 x 是1维的，而 y 是2维的，则将1放在 x 维度之前，以进行矩阵乘法。矩阵相乘后，将删除前置尺寸。

  • 如果 x 是2维的，而 y 是1维的，获得矩阵与向量的乘积。

  • 如果两个输入至少为一维，且至少一个输入为N维（其中N> 2），则将获得批矩阵乘法。 如果第一个自变量是一维的，则将1放在其维度的前面，以便进行批量矩阵的乘法运算，然后将其删除。 如果第二个参数为一维，则将1附加到其维度后面，以实现成批矩阵倍数的目的，然后将其删除。 根据广播规则广播非矩阵维度（不包括最后两个维度）。 例如，如果输入 x 是（j，1，n，m）Tensor，另一个 y 是（k，m，p）Tensor，则out将是（j，k，n，p）张量。

参数

  • x (Tensor) : 输入变量，类型为 Tensor，数据类型为float32， float64。

  • y (Tensor) : 输入变量，类型为 Tensor，数据类型为float32， float64。

  • transpose_x (bool，可选) : 相乘前是否转置 x，默认值为False。

  • transpose_y (bool，可选) : 相乘前是否转置 y，默认值为False。

  • name （str，可选）- 具体用法请参见 Name ，一般无需设置，默认值为None。

返回：

  • Tensor，矩阵相乘后的结果，数据类型和输入数据类型一致。

代码示例

  1. import paddle
  2. import numpy as np
  4. # vector * vector
  5. x_data = np.random.random([10]).astype(np.float32)
  6. y_data = np.random.random([10]).astype(np.float32)
  7. x = paddle.to_tensor(x_data)
  8. y = paddle.to_tensor(y_data)
  9. z = paddle.matmul(x, y)
  10. print(z.numpy().shape)
  11. # [1]
  13. # matrix * vector
  14. x_data = np.random.random([10, 5]).astype(np.float32)
  15. y_data = np.random.random([5]).astype(np.float32)
  16. x = paddle.to_tensor(x_data)
  17. y = paddle.to_tensor(y_data)
  18. z = paddle.matmul(x, y)
  19. print(z.numpy().shape)
  20. # [10]
  22. # batched matrix * broadcasted vector
  23. x_data = np.random.random([10, 5, 2]).astype(np.float32)
  24. y_data = np.random.random([2]).astype(np.float32)
  25. x = paddle.to_tensor(x_data)
  26. y = paddle.to_tensor(y_data)
  27. z = paddle.matmul(x, y)
  28. print(z.numpy().shape)
  29. # [10, 5]
  31. # batched matrix * batched matrix
  32. x_data = np.random.random([10, 5, 2]).astype(np.float32)
  33. y_data = np.random.random([10, 2, 5]).astype(np.float32)
  34. x = paddle.to_tensor(x_data)
  35. y = paddle.to_tensor(y_data)
  36. z = paddle.matmul(x, y)
  37. print(z.numpy().shape)
  38. # [10, 5, 5]
  40. # batched matrix * broadcasted matrix
  41. x_data = np.random.random([10, 1, 5, 2]).astype(np.float32)
  42. y_data = np.random.random([1, 3, 2, 5]).astype(np.float32)
  43. x = paddle.to_tensor(x_data)
  44. y = paddle.to_tensor(y_data)
  45. z = paddle.matmul(x, y)
  46. print(z.numpy().shape)
  47. # [10, 3, 5, 5]

使用本API的教程文档