jax.numpy.linalg.matmul

目录

jax.numpy.linalg.matmul#

jax.numpy.linalg.matmul(x1, x2, /, *, precision=None, preferred_element_type=None)[源代码][源代码]#

执行矩阵乘法。

JAX 实现的 numpy.linalg.matmul()。

参数:

  • x1 (ArrayLike) – 第一个输入数组，形状为 (..., N)。

  • x2 (ArrayLike) – 第二个输入数组。必须具有形状 (N,) 或 (..., N, M)。在多维情况下，前导维度必须与 x1 的前导维度广播兼容。

  • precision (PrecisionLike) – 要么 None``（默认），这意味着后端的默认精度，一个 :class:`~jax.lax.Precision` 枚举值（``Precision.DEFAULT、Precision.HIGH 或 Precision.HIGHEST），或一个包含两个此类值的元组，指示 x1 和 x2 的精度。

  • preferred_element_type (DTypeLike | None) – ``None``（默认），这意味着输入类型的默认累积类型，或者是一个数据类型，指示将结果累积到并返回该数据类型的结果。

返回:

包含输入矩阵乘积的数组。如果 x2.ndim == 1，形状为 x1.shape[:-1]，否则形状为 (..., M)。

返回类型:

Array

参见

jax.numpy.matmul(): 该函数的 NumPy API。jax.numpy.linalg.vecdot(): 批量向量积。jax.numpy.linalg.tensordot(): 批量张量积。

示例

向量点积：

>>> x1 = jnp.array([1, 2, 3])
>>> x2 = jnp.array([4, 5, 6])
>>> jnp.linalg.matmul(x1, x2)
Array(32, dtype=int32)

矩阵点积：

>>> x1 = jnp.array([[1, 2, 3],
...                 [4, 5, 6]])
>>> x2 = jnp.array([[1, 2],
...                 [3, 4],
...                 [5, 6]])
>>> jnp.linalg.matmul(x1, x2)
Array([[22, 28],
       [49, 64]], dtype=int32)

为了方便，在所有情况下，你可以使用 @ 运算符进行相同的计算：

>>> x1 @ x2
Array([[22, 28],
       [49, 64]], dtype=int32)
目录