matmul

paddle.fluid.layers.matmul(x, y, transpose_x=False, transpose_y=False, alpha=1.0, name=None)[源代码]

输入 x 和输入 y 矩阵相乘。

两个输入的形状可为任意维度,但当任一输入维度大于3时,两个输入的维度必须相等。 实际的操作取决于 xy 的维度和 transpose_xtranspose_y 的布尔值。具体如下:

  • 如果 transpose 为真,则对应 Tensor 的后两维会转置。假定 x 是一个 shape=[D] 的一维 Tensor,则 x 非转置形状为 [1, D],转置形状为 [D, 1]。转置之后的输入形状需满足矩阵乘法要求,即 x_widthy_height 相等。
  • 转置后,输入的两个 Tensor 维度将为 2-D 或 n-D,将根据下列规则矩阵相乘:
    • 如果两个矩阵都是 2-D,则同普通矩阵一样进行矩阵相乘。
    • 如果任意一个矩阵是 n-D,则将其视为带 batch 的二维矩阵乘法。
  • 如果原始 Tensor x 或 y 的秩为 1 且未转置,则矩阵相乘后的前置或附加维度 1 将移除。
参数:
  • x (Variable) : 输入变量,类型为 Tensor 或 LoDTensor。
  • y (Variable) : 输入变量,类型为 Tensor 或 LoDTensor。
  • transpose_x (bool) : 相乘前是否转置 x。
  • transpose_y (bool) : 相乘前是否转置 y。
  • alpha (float) : 输出比例,默认为 1.0。
  • name (str|None) : 该层名称(可选),如果设置为空,则自动为该层命名。
返回:
  • Variable (Tensor / LoDTensor),矩阵相乘后的结果。
返回类型:
  • Variable(变量)。
* 例 1:

x: [B, ..., M, K], y: [B, ..., K, N]
out: [B, ..., M, N]

* 例 2:

x: [B, M, K], y: [B, K, N]
out: [B, M, N]

* 例 3:

x: [B, M, K], y: [K, N]
out: [B, M, N]

* 例 4:

x: [M, K], y: [K, N]
out: [M, N]

* 例 5:

x: [B, M, K], y: [K]
out: [B, M]

* 例 6:

x: [K], y: [K]
out: [1]

* 例 7:

x: [M], y: [N]
out: [M, N]

代码示例

import paddle.fluid as fluid
import numpy

# Graph Organizing
x = fluid.layers.data(name='x', shape=[2, 3], dtype='float32')
y = fluid.layers.data(name='y', shape=[3, 2], dtype='float32')
output = fluid.layers.matmul(x, y, True, True)

# Create an executor using CPU as an example
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())

# Execute
input_x = numpy.ones([2, 3]).astype(numpy.float32)
input_y = numpy.ones([3, 2]).astype(numpy.float32)
res, = exe.run(fluid.default_main_program(),
               feed={'x':input_x, 'y':input_y},
               fetch_list=[output])
print(res)
'''
Output Value:
[[2. 2. 2.]
 [2. 2. 2.]
 [2. 2. 2.]]
'''