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

linear - 图1

，计算公式为：

linear - 图2

其中，

linear - 图3

和

linear - 图4

分别为权重和偏置。

如果权重

linear - 图5

是一个形状为

linear - 图6

的2-D Tensor，输入则可以是一个多维Tensor形状为

linear - 图7

，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 WW 的乘积，生成形状为 [batch_size,∗,out_features][batch_size,∗,out_features] 的输出Tensor。 如果偏置 biasbias 不是None，它必须是一个形状为 [out_features][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float16，float32或float64。

  • weight (Tensor) – 权重Tensor。它的数据类型可以为float16，float32或float64。

  • bias (Tensor, 可选) – 偏置Tensor。它的数据类型可以为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][batch_size,∗,out_features] ，数据类型与输入Tensor相同。

代码示例

  1. import paddle
  3. x = paddle.randn((3, 2), dtype="float32")
  4. # x: [[-0.32342386 -1.200079  ]
  5. #     [ 0.7979031  -0.90978354]
  6. #     [ 0.40597573  1.8095392 ]]
  7. weight = paddle.full(shape=[2, 4], fill_value="0.5", dtype="float32", name="weight")
  8. # weight: [[0.5 0.5 0.5 0.5]
  9. #          [0.5 0.5 0.5 0.5]]
  10. bias = paddle.ones(shape=[4], dtype="float32", name="bias")
  11. # bias: [1. 1. 1. 1.]
  12. y = paddle.nn.functional.linear(x, weight, bias)
  13. # y: [[0.23824859 0.23824859 0.23824859 0.23824859]
  14. #     [0.9440598  0.9440598  0.9440598  0.9440598 ]
  15. #     [2.1077576  2.1077576  2.1077576  2.1077576 ]]