matmul/mm 函数用法介绍

介绍torch.matmul之前先介绍torch.mm函数, mm和matmul都是torch中矩阵乘法函数，mm只能作用于二维矩阵，matmul可以作用于二维也能作用于高维矩阵

mm函数使用

x = torch.rand(4, 9)
y = torch.rand(9, 8)
print(torch.mm(x,y).shape)

torch.Size([4, 8])

matmul函数使用

• 1 二维乘二维，结果和mm函数一样

x = torch.rand(4,9)
y = torch.rand(9,8)

print(torch.matmul(x,y).shape)
torch.Size([4, 8])

• 2 高维乘法 3 维 乘 2 维
  将x的第0维提出来，剩下的就是二维矩阵乘法得到 9,4,8

x = torch.rand(9,4,9)
y = torch.rand(9,8)
 
print(torch.matmul(x,y).shape)

torch.Size([9, 4, 8])

• 3 高维矩阵乘法 3维 乘 3维
  两种情况
  1）x和y的0维一样直接提出来，剩下的是二维矩阵乘法结果是 9,5,6
  2）x和y的第0维不一样，如果是有一个第0维是1则可以直接扩展成跟另一个矩阵的维度一样，然后直接提出来，剩下的二维矩阵乘法，下方x的矩阵第0维是1，y的是9，直接把x矩阵第0维扩展成9，即可跟下方第一个操作相同

x = torch.rand(9, 5, 8)
y = torch.rand(9, 8, 6)
print(torch.matmul(x,y).shape)

torch.Size([9,5,6])

x = torch.rand(1, 5, 8)
y = torch.rand(9, 8, 6)
print(torch.matmul(x,y).shape)

torch.Size([9,5,6])
torch.Size([9,5,6])

• 1. 高维矩阵乘法 4维 乘 3 维
     根据上方总结的规则，下方同样做法，多余的一维或几维，直接提出来，剩下的同维度矩阵直接计算，如果是1就扩展成与之相对另一个矩阵的相同的数，如果不同也不为1，就直接报错

x = torch.rand(6, 9, 5, 8)
y = torch.rand(9, 8, 6)
print(torch.matmul(x,y).shape)
torch.Size([6,9,5,6])

x = torch.rand(6, 1, 5, 8)
y = torch.rand(9, 8, 6)
print(torch.matmul(x,y).shape)
torch.Size([6,9,5,6])

x = torch.rand(6, 9, 1, 5, 8)
y = torch.rand(9, 8, 6)
print(torch.matmul(x,y).shape)
torch.Size([6,9,9,5,6])

x = torch.rand(6, 9,8,9, 1, 5, 8)
y = torch.rand(9, 8, 6)
print(torch.matmul(x,y).shape)
torch.Size([6,9,8,9,9,5,6])

  

 

参考资料

torch.mm()&torch.matmul()
torch.matmul()用法介绍
pytorch官方文档
torch中点积，叉积和卷积