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 \([batch\_size, *, out\_features]\) ，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 ]]

PaddlePaddle

paddle.nn / functional / linear

linear¶

参数¶

返回¶

代码示例¶

PaddlePaddle

paddle

paddle.amp

paddle.callbacks

paddle.compat

paddle.distributed

paddle.distribution

paddle.fluid

paddle.io

paddle.jit

paddle.metric

paddle.nn

paddle.onnx

paddle.optimizer

paddle.regularizer

paddle.static

paddle.sysconfig

paddle.text

paddle.utils

paddle.vision

paddle.nn / functional / linear

linear¶

参数¶

返回¶

代码示例¶