linear¶

paddle.nn.functional. linear ( x, weight, bias=None, name=None ) [源代码] ¶

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
>>> paddle.seed(2023)
>>> x = paddle.randn((3, 2), dtype="float32")
>>> print(x)
Tensor(shape=[3, 2], dtype=float32, place=Place(cpu), stop_gradient=True,
[[ 0.06132207,  1.11349595],
 [ 0.41906244, -0.24858207],
 [-1.85169315, -1.50370061]])
>>> weight = paddle.full(shape=[2, 4], fill_value="0.5", dtype="float32", name="weight")
>>> print(weight)
Tensor(shape=[2, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
[[0.50000000, 0.50000000, 0.50000000, 0.50000000],
 [0.50000000, 0.50000000, 0.50000000, 0.50000000]])
>>> bias = paddle.ones(shape=[4], dtype="float32", name="bias")
>>> print(bias)
Tensor(shape=[4], dtype=float32, place=Place(cpu), stop_gradient=True,
[1., 1., 1., 1.])
>>> y = paddle.nn.functional.linear(x, weight, bias)
>>> print(y)
Tensor(shape=[3, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
[[ 1.58740902,  1.58740902,  1.58740902,  1.58740902],
 [ 1.08524013,  1.08524013,  1.08524013,  1.08524013],
 [-0.67769694, -0.67769694, -0.67769694, -0.67769694]])

         

使用本API的教程文档¶

PyTorch 写法