linear

paddle.compat.nn.functional. linear ( input, weight, bias=None ) [源代码] 

PyTorch 兼容的线性函数版本：

与 PyTorch 一致的数学意义：

\[Out = X W^T + b\]

其中 \(W\) 是权重张量 weight ， \(b\) 是偏置张量 bias， \(X\) 是输入张量 input

此实现与 PyTorch 的线性函数对齐，计算 \(y = XW^T + b\)。

参数

input (Tensor) - 输入张量。数据类型应为 bfloat16、float16、float32 或 float64。输入张量的形状应为 \([*, in\_features]\)，其中 \(*\) 表示任意数量的额外维度，包括无。

weight (Tensor) - 权重张量。数据类型应为 float16、float32 或 float64。形状应为 \([out\_features, in\_features]\)。

bias (Tensor, 可选) - 偏置张量。数据类型应为 float16、float32 或 float64。如果为 None，则不添加偏置到输出单元。默认值 None。

形状

输入 : 多维张量，形状为 \([*, in\_features]\) 。数据类型为 bfloat16、float16、float32 或 float64。

输出 : 多维张量，形状为 \([*, out\_features]\) 。数据类型与输入相同。

代码示例

          >>> import paddle

>>> paddle.seed(2025)

>>> x = paddle.arange(6, dtype=paddle.float32).reshape([3, 2])
>>> x
Tensor(shape=[3, 2], dtype=float32, place=Place(cpu), stop_gradient=True,
       [[0., 1.],
        [2., 3.],
        [4., 5.]])
>>> weight = paddle.full(shape=[4, 2], fill_value=0.5, dtype="float32", name="weight")
>>> weight
Tensor(shape=[4, 2], dtype=float32, place=Place(cpu), stop_gradient=True,
       [[0.50000000, 0.50000000],
        [0.50000000, 0.50000000],
        [0.50000000, 0.50000000],
        [0.50000000, 0.50000000]])
>>> bias = paddle.ones(shape=[4], dtype="float32", name="bias")
>>> y = paddle.compat.nn.functional.linear(x, weight, bias)
>>> print(y)
Tensor(shape=[3, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
       [[1.50000000, 1.50000000, 1.50000000, 1.50000000],
        [3.50000000, 3.50000000, 3.50000000, 3.50000000],
        [5.50000000, 5.50000000, 5.50000000, 5.50000000]])

         