TUTORIALAI 与数据科学FETCHED
PyTorch torch.matmul 函数
PyTorch torch.matmul 函数 Pytorch torch 参考手册 torch.matmul 是 PyTorch 中用于执行矩阵乘法的函数。它支持不同维度的输入，能够处理一维、二维以及更高维度的张量乘法。 这是深度学习中最常用的运算之一，神经网络的前向传播本质上就是一系列矩阵乘法。 函数定义 torch.matmul(input, other, out=None) 参数: input (Tensor)..
更新于 2026/7/16
教程详情页默认 noindex。
PyTorch torch.matmul 函数
Pytorch torch 参考手册torch.matmul 是 PyTorch 中用于执行矩阵乘法的函数。它支持不同维度的输入，能够处理一维、二维以及更高维度的张量乘法。
这是深度学习中最常用的运算之一，神经网络的前向传播本质上就是一系列矩阵乘法。
函数定义
torch.matmul(input, other, out=None)
参数:
input(Tensor): 第一个输入张量。other(Tensor): 第二个输入张量。out(Tensor, 可选): 输出张量。
返回值:
torch.Tensor: 返回矩阵乘法的结果。
使用示例
示例 1: 二维矩阵乘法
实例
import torch
# 创建两个二维矩阵
a = torch.randn(3, 4) # 3x4 矩阵
b = torch.randn(4, 5) # 4x5 矩阵
# 矩阵乘法
c = torch.matmul(a, b)
print("a 的形状:", a.shape)
print("b 的形状:", b.shape)
print("c 的形状:", c.shape)
# 创建两个二维矩阵
a = torch.randn(3, 4) # 3x4 矩阵
b = torch.randn(4, 5) # 4x5 矩阵
# 矩阵乘法
c = torch.matmul(a, b)
print("a 的形状:", a.shape)
print("b 的形状:", b.shape)
print("c 的形状:", c.shape)
输出结果为：
a 的形状: torch.Size([3, 4]) b 的形状: torch.Size([4, 5]) c 的形状: torch.Size([3, 5])
示例 2: 向量与矩阵相乘
实例
import torch
# 创建向量和矩阵
vector = torch.randn(4) # 4 维向量
matrix = torch.randn(4, 5) # 4x5 矩阵
# 向量与矩阵相乘
result = torch.matmul(vector, matrix)
print("向量的形状:", vector.shape)
print("矩阵的形状:", matrix.shape)
print("结果的形状:", result.shape)
print(result)
# 创建向量和矩阵
vector = torch.randn(4) # 4 维向量
matrix = torch.randn(4, 5) # 4x5 矩阵
# 向量与矩阵相乘
result = torch.matmul(vector, matrix)
print("向量的形状:", vector.shape)
print("矩阵的形状:", matrix.shape)
print("结果的形状:", result.shape)
print(result)
输出结果为：
向量的形状: torch.Size([4]) 矩阵的形状: torch.Size([4, 5]) 结果的形状: torch.Size([5]) tensor([-0.7837, 0.3684, -0.6542, -0.4594, 1.5328]) </p> <h3>示例 3: 批量矩阵乘法</h3> <div class="example"> <h2 class="example">实例</h2> <div class="example_code"> <span style="color: Green;font-weight:bold;">import</span> torch<br /> <br /> <span style="color: #a50"># 创建批量矩阵</span><br /> batch_a <span style="color: Gray;">=</span> torch.<span style="color: #05a;">randn</span><span style="color: Olive;">(</span><span style="color: Maroon;">10</span><span style="color: Gray;">,</span> <span style="color: Maroon;">3</span><span style="color: Gray;">,</span> <span style="color: Maroon;">4</span><span style="color: Olive;">)</span> <span style="color: #a50"># 10 个 3x4 矩阵</span><br /> batch_b <span style="color: Gray;">=</span> torch.<span style="color: #05a;">randn</span><span style="color: Olive;">(</span><span style="color: Maroon;">10</span><span style="color: Gray;">,</span> <span style="color: Maroon;">4</span><span style="color: Gray;">,</span> <span style="color: Maroon;">5</span><span style="color: Olive;">)</span> <span style="color: #a50"># 10 个 4x5 矩阵</span><br /> <br /> <span style="color: #a50"># 批量矩阵乘法</span><br /> batch_c <span style="color: Gray;">=</span> torch.<span style="color: #05a;">matmul</span><span style="color: Olive;">(</span>batch_a<span style="color: Gray;">,</span> batch_b<span style="color: Olive;">)</span><br /> <br /> <span style="color: Green;font-weight:bold;">print</span><span style="color: Olive;">(</span><span style="color: #a11;">"批量 a 的形状:"</span><span style="color: Gray;">,</span> batch_a.<span style="color: #05a;">shape</span><span style="color: Olive;">)</span><br /> <span style="color: Green;font-weight:bold;">print</span><span style="color: Olive;">(</span><span style="color: #a11;">"批量 b 的形状:"</span><span style="color: Gray;">,</span> batch_b.<span style="color: #05a;">shape</span><span style="color: Olive;">)</span><br /> <span style="color: Green;font-weight:bold;">print</span><span style="color: Olive;">(</span><span style="color: #a11;">"批量结果 c 的形状:"</span><span style="color: Gray;">,</span> batch_c.<span style="color: #05a;">shape</span><span style="color: Olive;">)</span><br /> </div> </div> <p>输出结果为：</p> <pre> 批量 a 的形状: torch.Size([10, 3, 4]) 批量 b 的形状: torch.Size([10, 4, 5]) 批量结果 c 的形状: torch.Size([10, 3, 5])
批量矩阵乘法是深度学习中的常见操作，例如在 Transformer 的注意力机制中。
示例 4: 神经网络中的矩阵乘法
实例
import torch
# 模拟神经网络层：输入 xW + b
x = torch.randn(32, 128) # 批量大小 32，特征维度 128
W = torch.randn(128, 256) # 权重矩阵
b = torch.randn(256) # 偏置向量
# 线性变换：y = x @ W^T + b (在 PyTorch 中通常 W 是转置的)
# 这里演示 x @ W
y = torch.matmul(x, W) + b
print("输入 x 形状:", x.shape)
print("权重 W 形状:", W.shape)
print("输出 y 形状:", y.shape)
# 模拟神经网络层：输入 xW + b
x = torch.randn(32, 128) # 批量大小 32，特征维度 128
W = torch.randn(128, 256) # 权重矩阵
b = torch.randn(256) # 偏置向量
# 线性变换：y = x @ W^T + b (在 PyTorch 中通常 W 是转置的)
# 这里演示 x @ W
y = torch.matmul(x, W) + b
print("输入 x 形状:", x.shape)
print("权重 W 形状:", W.shape)
print("输出 y 形状:", y.shape)
输出结果为：
输入 x 形状: torch.Size([32, 128]) 权重 W 形状: torch.Size([128, 256]) 输出 y 形状: torch.Size([32, 256])
这个示例模拟了神经网络中全连接层的前向传播过程。
注意事项
torch.matmul支持广播，但两个输入的最后两个维度必须满足矩阵乘法的维度要求。- 对于二维矩阵乘法，也可以使用
torch.mm()，但torch.matmul更通用。 - 注意区分
torch.matmul（矩阵乘法）和torch.mul（逐元素乘法）。