torch.matmul的前后两个矩阵维度不同的小结

最新推荐文章于 2025-06-28 15:59:20 发布

原创

最新推荐文章于 2025-06-28 15:59:20 发布 · 2.2k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习 #pytorch

系列文章目录

本系列记录自己的代码学习知识

torch.matmul的前后两个矩阵维度不同的小结

系列文章目录
前言
一、torch.matmul()
二、详解解释
- 1.input维度比other大
- 2.input维度比other小
总结

前言

一、torch.matmul()

torch.matmul()也是一种类似于矩阵相乘操作的tensor联乘操作。但是它可以利用python 中的广播机制，处理一些维度不同的tensor结构进行相乘操作。这也是该函数与torch.bmm()区别所在。

torch.matmul(input，other)#我们现以不同的名字区分前后两个矩阵

来源
作者：top_小酱油
链接：https://www.jianshu.com/p/e277f7fc67b3
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

二、详解解释

1.input维度比other大

例如：

n = ([1,2,3],[1,2,3])

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

闲看庭前雪

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

torch.cat()拼接两个矩阵

tyler的博客

04-08

4137

import torch if __name__ == '__main__': a = torch.tensor([[1,1,1], [2,2,2], [3,3,3]],dtype=torch.float) b = torch.tensor([[1,0,1], ...

torch.bmm()和torch.matmul()函数的用法和区别，矩阵相乘

weixin_43918046的博客

10-04

5505

torch.bmm()和torch.matmul()都是矩阵乘法的运算函数，区别是，torch.matmul更强大。两者都可以支持3维的矩阵运算，实际是第一维只是找下标，后面2维才是矩阵，然后对应做矩阵乘法。 import torch x = torch.rand(2,3,2) y = torch.rand(2,2,4) print('矩阵x:',x) print('矩阵y:',y) print('matmul运算：') print(torch.matmul(x,y)) print('bmm运算：')

参与评论您还未登录，请先登录后发表或查看评论

pytorch:torch.mm()和torch.matmul()的使用

12-23

如下所示： torch.mm(mat1, mat2, out=None) → Tensor torch.matmul(mat1, mat2, out=None) → Tensor 对矩阵mat1和mat2进行相乘。如果mat1 是一个n×m张量，mat2 是一个 m×p 张量，将会输出一个 n×p 张量out。参数： mat1 (Tensor) – 第一个相乘矩阵 mat2 (Tensor) – 第二个相乘矩阵 out (Tensor, optional) – 输出张量代码示例: import torch a=torch.randn(2,3) b=torch.randn(3,2)

[pytorch] 通过一个例子分析torch.matmul矩阵与向量相乘的维度

gb4215287的博客

08-13

342

pytorch文档中关于torch.matmul()的维度说明如下： If both tensors are 1-dimensional, the dot product (scalar) is returned. If both arguments are 2-dimensional, the matrix-matrix product is returned. If the first argument is 1-dimensional and the second argument is.

Pytorch里的乘法类型

weixin_45297905的博客

08-06

350

二维矩阵乘法 torch.mm()torch.mm(mat1, mat2, out=None)其中 , , 输出的该函数一般只用来计算两个二维矩阵的矩阵乘法，并且不支持broadcast操作。2. 三维带batch的矩阵乘法 torch.bmm()由于神经网络训练一般采用mini-batch，经常输入的时三维带batch的矩阵，所以提供torch.bmm(bmat1, bmat2, out=None)其中 , , 输入出的该函数的两个输入必须是三维矩阵并且第一维相同（表示Batch维度），.

详解torch.mul、torch.mm、torch.bmm、torch.matmul

最新发布

qq_51709869的博客

06-28

1546

对torch.mul、torch.mm、torch.bmm、torch.matmul进行了区分和讲解，同时给出了使用样例

pytorch torch.matmul函数介绍

qq_27390023的博客

09-07

1276

是 PyTorch 中用于进行矩阵乘法的函数。它可以执行两维矩阵、向量和更高维张量之间的乘法运算，支持的运算取决于输入张量的维度。

【torch函数】torch.matmul——矩阵乘法

weixin_45780075的博客

04-18

663

是 PyTorch 中用于执行张量之间的矩阵乘法的函数。它可以用于两个张量之间的矩阵乘法，也可以用于高维张量之间的批量矩阵乘法。在矩阵乘法中，torch.matmul 会根据输入张量的维度自动进行广播，以便进行有效的矩阵乘法运算。

torch.matmul()的用法

a_blade_of_grass的博客

05-28

404

【代码】torch.matmul()的用法。

Pytorch矩阵乘法之torch.mul() 、 torch.mm() 及torch.matmul()的区别

irober的博客

02-05

3万+

torch.mul() 、 torch.mm() 及torch.matmul()的区别一、简介 torch.mul(a, b) 是矩阵a和b对应位相乘，a和b的维度必须相等，比如a的维度是(1, 2)，b的维度是(1, 2)，返回的仍是(1, 2)的矩阵； torch.mm(a, b) 是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b的维度是(2, 3)，返回的就是(1, 3)的矩阵。 torch.bmm() 强制规定维度和大小相同 torch.matmul() 没有强制规定维度和大小，可以用利用广

详解torch.dot()、torch.outer()、torch.mul()、torch.mm()和torch.matmul()等函数使用技巧

li1784506的博客

03-24

8758

torch.matmul()函数可以用于1维向量×1维向量，1维向量×2维矩阵，2维矩阵×1维向量，矩阵相乘等不同情况。现将相关案例进行介绍方便日后回顾。

【Pytorch】torch. matmul()

海到无边天作岸山登绝顶我为峰

09-02

7332

Hello！ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！唯有努力💪本文仅记录自己感兴趣的内容文章仅作为个人学习笔记记录，记录从0到1的一个过程希望对您有一点点帮助，如有错误欢迎小伙伴指正。

【Pytorch学习】torch.mm()&torch.matmul()和torch.mul()以及torch.spmm()

sxl的博客

04-07

1万+

做深度学习过程中免不了使用pytorch，刚上手可能觉得pytorch是一门新语言。过一段时间之后发现其用法跟python极其相似，python的很多函数名都可以用到torch中。当然也有一些不同，毕竟张量的计算可以用GPU啊。是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b的维度是(2, 3)，返回的就是(1, 3)的矩阵。当然，对于二维的效果等同于torch.mm（）。关于torch.matmul的详细介绍可以看。torch.matmul()的用法比torch.mm更高级，的维度必须相等，比如。

PyTorch疑难杂症（1）——torch.matmul()函数用法总结

Wendy的博客

11-05

6万+

目录一、函数介绍二、常见用法2.1 两个一维向量的乘积运算2.2 两个二维矩阵的乘积运算2.3 一个一维向量和一个二维矩阵的乘积运算2.4 一个二维矩阵和一个一维向量的乘积运算2.5 其他一、函数介绍 pytorch中两个张量的乘法可以分为两种：两个张量对应元素相乘，在PyTorch中可以通过torch.mul函数（或*运算符）实现；两个张量矩阵相乘，在PyTorch中可以通过torch.matmul函数实现； torch.matmul(input, other) → Tensor 计算两个张量i

torch.matmul()用法介绍

热门推荐

杂文集

04-27

18万+

torch.mm()

【torch】张量乘法:matmul,einsum

panbaoran913的博客

07-30

3973

torch中的张量乘法，matmul和einsum的互通跟区别

【pytorch】torch.mm，torch.bmm以及torch.matmul的使用

安安爸Chris的专栏

08-19

3万+

torch.mm torch.mm是两个矩阵相乘，即两个二维的张量相乘如下面的例子 mat1 = torch.randn(2,3) print("mat1=", mat1) mat2 = torch.randn(3,2) print("mat2=", mat2) mat3 = torch.mm(mat1, mat2) print("mat3=", mat3) 但是如果维度超过二维，则会报错。RuntimeError: self must be a matrix torch.bmm 它其实就是加了一

Pytorch中乘法函数torch.matmul() 的一种用法

qq_31239371的博客

05-27

450

例如A的维度是(3,1,3,3)，B是(3,3,2)，除去最后两个维度，A剩下了(3,1)，B是(3,)，很明显此时满足广播条件。例如A的维度是(3,1,3,3)，B是(3,3,2)，此时A的最后2维是(3,3),B是(3,2)，符合条件。2.除去A和B的最后两个维度，其他维度进行广播后得到的维度是(3,3)，这就是C的前几个维度。1.A和B的最后两个维度执行矩阵乘法，得到的维度就是C的最后两个维度，也就是(3,2)3.将上述维度合起来就是C的维度:(3,3,3,2)

pytorch函数mm() mul() matmul()区别

qq_35091353的博客

05-24

1万+

1、函数 1.1 作用 torch.matmul是tensor的乘法，输入可以是高维的。 2 、举例当输入都是二维时，就是普通的矩阵乘法，和tensor.mm函数用法相同。当输入有多维时，把多出的一维作为batch提出来，其他部分做矩阵乘法。下面看一个两个都是3维的例子：将b的第0维1broadcast成2提出来，后两维做矩阵乘法即可。再看一个复杂一点的，是官网的例子：首先把a的第0维2作为batch提出来，则a和b都可看作三维。再把a的1broadcat成5，提取公因式5。（这样

torch.matmul 三维矩阵

03-19

### torch.matmul 对三维矩阵的操作 `torch.matmul` 是 PyTorch 中的一个通用矩阵乘法函数，能够处理不同维度的张量。对于三维矩阵而言，它会按照批量的方式执行矩阵乘法。 #### 示例代码以下是 `torch.matmul` 处理三维矩阵的具体示例： ```python import torch # 定义两个三维张量 (batch_size=2, n=3, m=4 和 batch_size=2, p=4, q=5) a = torch.tensor([[[1, 2], [3, 4], [5, 6]], [[7, 8], [9, 10], [11, 12]]]) b = torch.tensor([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) print("张量 a 形状:", a.shape) # 输出: torch.Size([2, 3, 2]) print("张量 b 形状:", b.shape) # 输出: torch.Size([2, 2, 3]) # 执行矩阵乘法 result = torch.matmul(a, b) print("结果形状:", result.shape) # 输出: torch.Size([2, 3, 3]) print("结果:") print(result) ``` 在这个例子中，张量 `a` 的形状为 `[2, 3, 2]`，表示有两组大小为 `(3, 2)` 的矩阵；张量 `b` 的形状为 `[2, 2, 3]`，表示有两组大小为 `(2, 3)` 的矩阵。`torch.matmul` 将每一对对应的矩阵相乘，并返回一个新的三维张量，其形状为 `[2, 3, 3]`[^1]。 #### 关键点解析 - **批量维度匹配**：如果输入张量具有相同的第一个维度，则该维度被视为批量维度。在此情况下，`torch.matmul` 会对每一组对应的数据分别进行矩阵乘法。 - **高维扩展**：当处理超过二维的张量时，`torch.matmul` 自动沿最后一个两个维度应用矩阵乘法规则[^2]。 - **与其他函数的区别**：相比 `torch.mm` 和 `torch.bmm`，`torch.matmul` 更具灵活性，因为它不仅限于特定维度的张量操作[^3]。 #### 应用场景在深度学习模型中，尤其是涉及批量数据处理的情况下，`torch.matmul` 常被用来实现高效的矩阵运算。例如，在神经网络的全连接层中，权重矩阵与输入特征之间的乘积可以通过此函数快速完成。 ---