mindspore.ops.MatMul

class mindspore.ops.MatMul(transpose_a=False, transpose_b=False)

将矩阵 a 和矩阵 b 相乘。

\[(Output)_{i j}=\sum_{k=1}^{p} a_{i k} b_{k j}=a_{i 1} b_{1 j}+a_{i 2} b_{2 j}+\cdots+a_{i p} b_{p j}, p\in N\]

其中， \(i,j\) 表示输出的第i行和第j列元素。

说明

对于 \(N * M\) 不能被16整除的情况下，在Ascend环境上性能会比较差。输入Tensor的数据类型必须一致。

参数：

• transpose_a (bool) - 如果为 True ，则在相乘之前转置 a。默认值： False 。

• transpose_b (bool) - 如果为 True ，则在相乘之前转置 b。默认值： False 。

输入：

• a (Tensor) - 要相乘的第一个Tensor。如果 transpose_a 为 False ，则该Tensor的shape为 \((N, C)\) ；否则，该Tensor的shape为 \((C, N)\) 。

• b (Tensor) - 要相乘的第二个Tensor。如果 transpose_b 为 False ，则该Tensor的shape为 \((C, M)\) ；否则，该Tensor的shape为 \((M, C)\) 。

输出：

Tensor，输出Tensor的shape为 \((N, M)\) 。

异常：

• TypeError - transpose_a 或 transpose_b 不是bool。

• TypeError - a 的dtype和 b 的dtype不一致。

• ValueError - 矩阵 a 的列不等于矩阵 b 的行。

• ValueError - a 或 b 的维度不等于2。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> a = Tensor(np.ones(shape=[1, 3]), mindspore.float32)
>>> b = Tensor(np.ones(shape=[3, 4]), mindspore.float32)
>>> matmul = ops.MatMul()
>>> output = matmul(a, b)
>>> print(output)
[[3. 3. 3. 3.]]