当前位置：首页 > news >正文

PyTorch中matmul函数使用详解和示例代码

news 2025/7/15 5:27:13

torch.matmul 是 PyTorch 中用于执行矩阵乘法的函数，它根据输入张量的维度自动选择适当的矩阵乘法方式，包括：

向量内积（1D @ 1D）
矩阵乘向量（2D @ 1D）
向量乘矩阵（1D @ 2D）
矩阵乘矩阵（2D @ 2D）
批量矩阵乘法（>2D）

函数原型

torch.matmul(input, other, *, out=None) → Tensor

input：第一个张量
other：第二个张量
out（可选）：指定输出张量

详细说明

torch.matmul(a, b) 根据 a 和 b 的维度规则如下：

`a` 维度	`b` 维度	操作类型
1D	1D	向量点积
2D	1D	矩阵和向量相乘
1D	2D	向量和矩阵相乘
2D	2D	标准矩阵乘法
≥3D	≥3D	批量矩阵乘法（batch）

示例代码

1. 向量点积（1D @ 1D）

import torch
a = torch.tensor([1.0, 2.0, 3.0])
b = torch.tensor([4.0, 5.0, 6.0])
result = torch.matmul(a, b)
print(result)  # 输出：32.0

2. 矩阵乘向量（2D @ 1D）

a = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
b = torch.tensor([5.0, 6.0])
result = torch.matmul(a, b)
print(result)  # 输出：[17.0, 39.0]

3. 向量乘矩阵（1D @ 2D）

a = torch.tensor([5.0, 6.0])
b = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
result = torch.matmul(a, b)
print(result)  # 输出：[23.0, 34.0]

4. 矩阵乘矩阵（2D @ 2D）

a = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
b = torch.tensor([[5.0, 6.0], [7.0, 8.0]])
result = torch.matmul(a, b)
print(result)
# 输出：
# [[19.0, 22.0],
#  [43.0, 50.0]]

5. 批量矩阵乘法（3D @ 3D）

a = torch.randn(10, 3, 4)
b = torch.randn(10, 4, 5)
result = torch.matmul(a, b)
print(result.shape)  # 输出：torch.Size([10, 3, 5])

综合示例：自定义线性层（类似 `nn.Linear`）

下面是一个使用 torch.matmul 构建自定义线性层的完整示例，适合理解如何手动定义一个具有权重、偏置、支持自动求导的神经网络层，适合自定义网络结构或深入理解 PyTorch 的底层机制。

功能描述

实现线性变换：y = x @ W^T + b
使用 torch.matmul 执行矩阵乘法
权重和偏置作为可训练参数
支持 GPU 和自动求导

代码实现

import torch
import torch.nn as nnclass MyLinear(nn.Module):def __init__(self, in_features, out_features):super(MyLinear, self).__init__()self.weight = nn.Parameter(torch.randn(out_features, in_features))  # shape: [out, in]self.bias = nn.Parameter(torch.zeros(out_features))                # shape: [out]def forward(self, x):# x: shape [batch_size, in_features]# weight: shape [out_features, in_features]# transpose weight -> shape [in_features, out_features], then matmulout = torch.matmul(x, self.weight.t()) + self.biasreturn out

使用示例

batch_size = 4
in_dim = 6
out_dim = 3x = torch.randn(batch_size, in_dim)
layer = MyLinear(in_dim, out_dim)output = layer(x)
print(output.shape)  # torch.Size([4, 3])

与官方 `nn.Linear` 等效性验证（可选）

# 官方线性层
torch.manual_seed(0)
official = nn.Linear(in_dim, out_dim)# 自定义线性层，使用相同参数初始化
custom = MyLinear(in_dim, out_dim)
custom.weight.data.copy_(official.weight.data)
custom.bias.data.copy_(official.bias.data)# 比较输出
x = torch.randn(2, in_dim)
out1 = official(x)
out2 = custom(x)
print(torch.allclose(out1, out2))  # True

说明

项	内容
`torch.matmul`	用于实现 `x @ W.T` 矩阵乘法
`nn.Parameter`	注册为可训练参数，自动加入 `.parameters()` 中
`Module.forward()`	用于定义前向传播逻辑