### PyTorch 中 `x.matmul()` 的含义与功能 在 PyTorch 中，`x.matmul(y)` 或者 `torch.matmul(x, y)` 是用于计算两个张量之间矩阵乘积的函数。该方法支持多种形状组合下的矩阵运算，并能够利用广播机制扩展低维张量以匹配高维张量的操作需求[^1]。 #### 矩阵乘法的基本概念 当提到矩阵乘法时，通常是指按照线性代数规则对两个矩阵进行操作的过程。如果 A 是 m×n 大小的矩阵而 B 则是 n×p 尺寸，则它们相乘后的结果 C 应该是一个 m×p 形状的新矩阵。其中每个元素 c[i][j] 可由原两矩阵对应行列点积得出：c[i][j]=a[i][0]*b[0][j]+...+a[i][n−1]*b[n−1][j]. #### 支持的不同情况 - **相同维度**: 若两者皆为二维数组形式呈现出来的话那么就遵循传统意义上的行列配对原则来进行逐位相乘后再求和形成新的数值填入相应位置之中构成最终产物；如果是更高阶别的多维情形下则会先选取最后那两条轴当作标准依据其余部分保持不变从而达到降维目的使得整体结构依旧维持原有模样只是内部数据有所改变而已。 - **不同维度**: - 当其中一个是一维向量时候可以根据具体情况决定将其视作只含有一行或者一列特征的特殊形态参与到整个计算流程当中去； - 还有一种较为复杂但也十分实用的方式就是借助于所谓的“广播”技术让那些原本并不完全契合条件的数据源也能顺利完成交互作用进而获得预期效果[^3]^. 下面给出几个具体的例子帮助理解这一强大工具的实际运用场景: ```python import torch # Example 1: Two 2D tensors with compatible dimensions. A = torch.randn(2, 3) B = torch.randn(3, 4) result = A.matmul(B) # result will be shape (2, 4)[^1] print(result.shape) # Output should show 'torch.Size([2, 4])' # Example 2: Batch matrix multiplication where batch sizes align. batch_A = torch.rand((5, 2, 3)) # Shape is (Batch Size, Rows, Columns). batch_B = torch.rand((5, 3, 4)) batch_result = batch_A.matmul(batch_B) # Resulting tensor has shape (5, 2, 4). print(batch_result.shape) # Expected output shows 'torch.Size([5, 2, 4])'. # Example 3: Multiplying vectors using .matmul(). vector_x = torch.tensor([1., 2., 3.]) vector_y = torch.tensor([4., 5., 6.]) dot_product = vector_x.matmul(vector_y) # This computes dot product between two vectors. print(dot_product.item()) # Should display scalar value representing inner/dot-product calculation. ``` 以上代码片段分别演示了常规矩阵阵型间的相互作用、批量处理模式以及单纯矢量间的关系建立三种典型状况下的表现形式及其特点所在之处[^1]^.