jax.numpy.linalg.matmul#

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

执行矩阵乘法。

numpy.linalg.matmul() 的 JAX 实现。

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) – 可以是 None (默认值)，表示使用后端的默认精度；也可以是 Precision 枚举值 (Precision.DEFAULT, Precision.HIGH 或 Precision.HIGHEST)；或者是由两个这样的值组成的元组，分别表示 x1 和 x2 的精度。

  • preferred_element_type (DTypeLike | None | None) – 可以是 None (默认值)，表示使用输入类型的默认累积类型；也可以是某种数据类型，表示使用该数据类型进行结果累积并返回该数据类型的结果。

返回值:

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

返回类型:

Array

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，您都可以使用 @ 运算符执行相同的计算

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