linear¶
线性变换 OP。对于每个输入 Tensor \(X\)，计算公式为：
\[Out = XW + b\]
其中，\(W\) 和 \(b\) 分别为权重和偏置。
如果权重 \(W\) 是一个形状为 \([in\_features, out\_features]\) 的 2-D Tensor，输入则可以是一个多维 Tensor 形状为 \([batch\_size, *, in\_features]\)，其中 \(*\) 表示可以为任意个额外的维度。 linear 接口可以计算输入 Tensor 与权重矩阵 \(W\) 的乘积，生成形状为 \([batch\_size, *, out\_features]\) 的输出 Tensor。 如果偏置 \(bias\) 不是 None，它必须是一个形状为 \([out\_features]\) 的 1-D Tensor，且将会被其加到输出中。
参数¶
x (Tensor) – 输入 Tensor。它的数据类型可以为 bfloat16、 float16、float32 或 float64。
weight (Tensor) – 权重 Tensor。它的数据类型可以为 bfloat16、 float16、float32 或 float64。
bias (Tensor，可选) – 偏置 Tensor。它的数据类型可以为 bfloat16、 float16、float32 或 float64。如果不为 None，则将会被加到输出中。默认值为 None。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。
返回¶
Tensor，形状为 \([batch\_size, *, out\_features]\)，数据类型与输入 Tensor 相同。
代码示例¶
import paddle
x = paddle.randn((3, 2), dtype="float32")
# x: [[-0.32342386 -1.200079 ]
# [ 0.7979031 -0.90978354]
# [ 0.40597573 1.8095392 ]]
weight = paddle.full(shape=[2, 4], fill_value="0.5", dtype="float32", name="weight")
# weight: [[0.5 0.5 0.5 0.5]
# [0.5 0.5 0.5 0.5]]
bias = paddle.ones(shape=[4], dtype="float32", name="bias")
# bias: [1. 1. 1. 1.]
y = paddle.nn.functional.linear(x, weight, bias)
# y: [[0.23824859 0.23824859 0.23824859 0.23824859]
# [0.9440598 0.9440598 0.9440598 0.9440598 ]
# [2.1077576 2.1077576 2.1077576 2.1077576 ]]