jax.numpy.linalg.matmul

内容

jax.numpy.linalg.matmul#

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

执行矩阵乘法。

JAX 实现 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 | None) – None（默认），表示使用后端的默认精度；一个 Precision 枚举值 (Precision.DEFAULT, Precision.HIGH 或 Precision.HIGHEST)；或一个包含两个值的元组，分别表示 x1 和 x2 的精度。

  • preferred_element_type (DTypeLike | None | None) – None（默认），表示使用输入类型的默认累加类型；或一个数据类型，表示将结果累加到该数据类型，并返回具有该数据类型的结果。

返回值:

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:

数组

另请参阅

jax.numpy.matmul(): 此函数的 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)

为了方便起见，在所有情况下，您可以使用 @ 运算符执行相同的计算

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