# 【合入来源】 > **如有社区issue，请关联issue链接**\ > **请勿携带内部流程信息（需求链接、问题单、内部issue等）** - [ ] 需求 - [x] 问题单 - [ ] issue/工单 - [ ] 重构优化 - [ ] 资料更新 # 【修改方案】 对于>=3D@>=3D、2D@>=3D 、>=3D@2D 且3D 输入前n-1维不连续(比如由转置得到)时，走进 bmm。进一步地，bmm内对输入固定会有对前n-2维的reshape操作，若reshape后 batch维为1 (2D 输入恒为 batch=1，≥3D 输入要求前 n-2 维全为 1)且reshape的tensor是由转置得到，则由于size(0)==1 时 stride(0) 任意值都"合法"，torch 会取巧设为 stride(1)\*size(1) ，此时该tensor会变成对cann来说非标准的转置tensor，所以引入了额外的transpose。比如对与a[16, 12].T @ b [1,14384,16].T ，转置后的b会被reshape 成 [1,16,14384] 。虽然 shape 没变，但 reshape 仍会重新计算 stride——对 size(0)==1 的维度，把 stride(0) 规范化为 stride(1)\*size(1)=1*16=16 ，而不是保留原始的 229344，最后stride变成[16,1,16]。 对于这种情况，在bmm适配层对 size(0)==1 且矩阵维转置布局（ stride(1)==1 && stride(2)==size(1) ）且 stride(0) != size(1)\*size(2) 的张量，用 as_strided 把 stride(0) 规范化为 size(1)\*size(2) ，还原为cann所接受的标准转置tensor，从而消除transpose。 # 【资料变更】 不涉及 # 【接口变更】 不涉及 # 【功能验证】 单算子验证脚本： ``` import torch import numpy as np from torch.profiler import profile, ProfilerActivity torch.npu.set_device('npu:1') a_ori = torch.tensor(np.random.rand(16, 12).astype(np.float16)).npu() a = torch.permute(a_ori, (1, 0)) b_ori = torch.tensor(np.random.rand(1, 14384, 16).astype(np.float16)).npu() b = torch.permute(b_ori, (0, 2, 1)) c = torch.matmul(a, b) ``` 修改前：  修改后：  新增ut用例的执行结果：   # 【CheckList】 > PR提交人对以下CheckList自检项进行全量自检，自检通过或不涉及，均修改 [ ] 为 [x] - [ ] 代码注释完备，正确记录错误日志 - [ ] 代码实现进行了返回值、空指针等校验 - [ ] PR标题正确使用类型标签，如：feat、fix、refactor、docs、test等 - [ ] PR持续集成流水线（CI）执行通过，代码检查无异常