掌握 PyTorch 张量乘法：八个关键函数与应用场景对比解析

PyTorch提供了几种张量乘法的方法，每种方法都是不同的，并且有不同的应用。我们来详细介绍每个方法，并且详细解释这些函数有什么区别：

1、torch.matmul

torch.matmul 是 PyTorch 中用于矩阵乘法的函数。它能够处理各种不同维度的张量，并根据张量的维度自动调整其操作方式。

torch.matmul 可以执行以下几种矩阵乘法：

1. 二维张量之间的矩阵乘法：

• 这是经典的矩阵乘法操作。当两个张量都是二维的 (即矩阵)，torch.matmul 进行标准的矩阵乘法操作。
• 例如：假设 A 是形状为 (m, n) 的张量，B 是形状为 (n, p) 的张量，那么 torch.matmul(A, B) 结果是一个形状为 (m, p) 的张量。

2. 高维张量之间的矩阵乘法：

• torch.matmul 可以处理更高维的张量。当输入张量的维度大于2时，它将执行批量矩阵乘法。
• 对于形状为 (..., m, n) 的张量 A 和形状为 (..., n, p) 的张量 B，torch.matmul(A, B) 的结果是形状为 (..., m, p) 的张量，其中 ... 表示相同的批量维度。批量维度部分将自动广播。

3. 一维和二维张量的乘法：

• 当第一个张量是1D张量（向量），第二个张量是2D张量时，torch.matmul 会将1D张量视为行向量（或列向量）参与矩阵乘法。
• 例如：A 是形状为 (n,) 的张量，B 是形状为 (n, p) 的张量，那么 torch.matmul(A, B) 的结果是形状为 (p,) 的张量。
• 反之，如果第一个张量是2D张量，第二个是1D张量，则结果是一个形状为 (m,) 的张量。

 import torch  
   
 # 示例 1: 二维张量之间的矩阵乘法  
 A = torch.tensor(\[\[1, 2\], \[3, 4\]\])  
 B = torch.tensor(\[\[5, 6\], \[7, 8\]\])  
 result = torch.matmul(A, B)  
 print(result)  # 输出: tensor(\[\[19, 22\], \[43, 50\]\])  
   
 # 示例 2: 高维张量之间的矩阵乘法（批次矩阵乘法）  
 A = torch.rand(2, 3, 4)  
 B = torch.rand(2, 4, 5)  
 result = torch.matmul(A, B)  
 print(result.shape)  # 输出: torch.Size(\[2, 3, 5\])  
   
 # 示例 3: 1D 和 2D 张量之间的乘法  
 A = torch.tensor(\[1, 2, 3\])  
 B = torch.tensor(\[\[4, 5\], \[6, 7\], \[8, 9\]\])  
 result = torch.matmul(A, B)  
 print(result)  # 输出: tensor(\[40, 46\])  

torch.matmul 支持广播，这意味着当输入张量的形状不完全匹配时，它可以自动扩展维度以进行相应的矩阵乘法。例如，两个张量的形状分别为 (1, 2, 3) 和 (3, 4)，torch.matmul 可以将第二个张量自动扩展为形状 (1, 3, 4)，然后进行批次矩阵乘法。

torch.matmul 底层使用了高效的线性代数库（如 BLAS），确保了矩阵乘法的性能。对于大型矩阵运算，torch.matmul 通常是非常高效的。它的灵活性和性能使得它成为 PyTorch 中广泛使用的操作之一。

2、torch.mm

torch.mm 是 PyTorch 中专门用于二维张量（矩阵）之间进行矩阵乘法的函数。与 torch.matmul 不同，torch.mm 仅适用于2D张量，并且不支持高维张量或广播操作。

torch.mm 进行标准的矩阵乘法操作，适用于两个2D张量（矩阵）之间的乘法。对于形状为 (m, n) 的张量 A 和形状为 (n, p) 的张量 B，torch.mm(A, B) 的结果是一个形状为 (m, p) 的张量。

 import torch  
   
 # 示例 1: 二维张量之间的矩阵乘法  
 A = torch.tensor(\[\[1, 2, 3\], \[4, 5, 6\]\])  
 B = torch.tensor(\[\[7, 8\], \[9, 10\], \[11, 12\]\])  
 result = torch.mm(A, B)  
 print(result)  # 输出: tensor(\[\[ 58,  64\], \[139, 154\]\])  

在这个例子中，矩阵 A 的形状是 (2, 3)，矩阵 B 的形状是 (3, 2)。结果矩阵的形状是 (2, 2)，且每个元素是通过对应行与列元素的乘积之和计算得出的。

torch.mm 不支持广播机制，这意味着两个输入矩阵的形状必须严格匹配（即第一个矩阵的列数必须等于第二个矩阵的行数）。

torch.mm 是针对二维矩阵乘法优化的，它利用了底层的高效线性代数库（如 BLAS）。当仅需要进行2D张量的矩阵乘法时，torch.mm 可能比 torch.matmul 更加高效，因为它避免了 torch.matmul 中针对高维张量所做的额外处理。

注意事项：

输入张量必须是二维的。如果输入是高维张量，使用 torch.mm 会导致错误。两个矩阵的形状必须是兼容的，即第一个矩阵的列数必须等于第二个矩阵的行数，否则会抛出维度不匹配的错误。

 import torch  
   
 A = torch.tensor(\[\[1, 2\], \[3, 4\]\])  
 B = torch.tensor(\[1, 2\])  
 # 这会引发一个错误，因为 B 不是二维张量  
 result = torch.mm(A, B)  # RuntimeError: matrices expected, got 1D, 2D tensors 

在上面的示例中，由于 B 是一维张量而非二维矩阵，因此 torch.mm 会抛出错误。解决方法是将 B 转换为二维张量，例如 B.unsqueeze(1)，以使其形状符合矩阵乘法的要求。

torch.mm 常用于涉及矩阵乘法的各种场景，特别是在机器学习和深度学习中。例如，在神经网络的全连接层中，计算权重矩阵和输入向量的乘积时经常使用 torch.mm。此外，torch.mm 也可以用于线性代数中的基本操作，如求解线性方程组、计算特征值等。

torch.mm 它操作简洁且性能高效，适用于需要进行标准矩阵乘法的场景。对于二维矩阵乘法来说，它比 torch.matmul 更直接，因此在需要矩阵乘法且确定张量维度为2D的情况下，torch.mm 是一个理想的选择。

3、torch.bmm

torch.bmm 是 PyTorch 中用于进行批次矩阵乘法的函数。它专门处理三维张量，其中第一个维度表示批次大小，后两个维度表示需要进行矩阵乘法的矩阵。因此torch.bmm 是进行批次矩阵操作的一个高效工具。

torch.bmm 用于对形状为 (b, m, n) 的张量 A 和形状为 (b, n, p) 的张量 B 进行批次矩阵乘法，输出结果是形状为 (b, m, p) 的张量。这里，b 表示批次大小，m 和 n 是矩阵的行和列数，p 是结果矩阵的列数。

 import torch  
   
 # 示例: 批次矩阵乘法  
 A = torch.randn(10, 3, 4)  # 形状为 (10, 3, 4)  
 B = torch.randn(10, 4, 5)  # 形状为 (10, 4, 5)  
 result = torch.bmm(A, B)  

 print(result.shape) # 输出: torch.Size([10, 3, 5])
 

在这个例子中：

• 张量 A 的形状是 (10, 3, 4)，表示有10个3x4的矩阵。
• 张量 B 的形状是 (10, 4, 5)，表示有10个4x5的矩阵。
• torch.bmm(A, B) 的结果是形状为 (10, 3, 5) 的张量，这表示批次中的每一对矩阵都进行了乘法操作。

torch.bmm 实际上是对批次中的每一对矩阵单独进行矩阵乘法操作，因此它要求输入张量的第一个维度（即批次大小）是相同的，并且后两个维度必须满足矩阵乘法的要求（即第一个矩阵的列数等于第二个矩阵的行数）。

torch.bmm 对批次矩阵乘法进行了优化，使用了高效的底层线性代数库。它在处理大型批次矩阵乘法时性能非常高效。由于它可以在批次上并行执行操作，因此特别适用于深度学习中的批量计算场景。

torch.bmm 只适用于三维张量，其中第一个维度表示批次大小。对于高于或低于三维的张量，它会报错。或者说他是torch.mm的批次化版本。torch.bmm 不支持广播机制，因此输入张量的第一个维度（批次大小）必须严格相同。

torch.bmm 常用于需要对多个矩阵对同时进行乘法操作的场景，特别是在深度学习中的以下情境：

1. 批量计算：在训练神经网络时，我们通常将输入数据分批处理，每批次数据对应多个矩阵。torch.bmm 可以有效地处理这种批次矩阵操作。
2. 图卷积网络（GCN）：在图神经网络中，批次矩阵乘法经常用于计算节点特征和邻接矩阵的乘积。
3. 时间序列模型：在时间序列建模中，可能需要对每个时间步长应用不同的变换矩阵，这时可以使用 torch.bmm 进行批量处理。

torch.bmm 是专门用于批次矩阵乘法。当需要对多个矩阵对同时进行乘法操作时，它提供了高效且简洁的解决方案。

4、torch.mul

torch.mul 是 PyTorch 中用于执行元素级乘法（也称为逐元素乘法）的函数。它可以对张量的每个元素进行对应位置的乘法操作，支持任意维度的张量，并且可以自动进行广播操作来适应不同形状的张量。

torch.mul 可以对两个张量的对应元素进行乘法运算。假设有两个张量 A 和 B，那么 torch.mul(A, B) 将返回一个新的张量，其中每个元素是 A 和 B 在相同位置的元素的乘积。这个操作等同于使用 * 操作符，如 A * B。

 import torch  
   
 # 示例 1: 相同形状的张量的元素级乘法  
 A = torch.tensor(\[1, 2, 3\])  
 B = torch.tensor(\[4, 5, 6\])  
 result = torch.mul(A, B)  
 print(result)  # 输出: tensor(\[ 4, 10, 18\])  
   
 # 示例 2: 不同形状的张量进行广播后的元素级乘法  
 A = torch.tensor(\[\[1, 2, 3\], \[4, 5, 6\]\])  
 B = torch.tensor(\[10, 20, 30\])  
 result = torch.mul(A, B)  
 print(result)  # 输出: tensor(\[\[10, 40, 90\], \[40, 100, 180\]\])  
   
 # 示例 3: 通过标量进行元素级乘法  
 A = torch.tensor(\[1, 2, 3\])  
 result = torch.mul(A, 10)  
 print(result)  # 输出: tensor(\[10, 20, 30\])  

在这些示例中：

• 在第一个示例中，A 和 B 是形状相同的张量，因此对应元素直接相乘。
• 在第二个示例中，A 是二维张量，而 B 是一维张量，PyTorch 自动对 B 进行广播，使其形状与 A 匹配，然后进行逐元素乘法。
• 在第三个示例中，A 和一个标量值相乘，每个元素都乘以该标量。

torch.mul 支持广播机制，这意味着当两个张量的形状不完全相同时，它可以自动扩展较小形状的张量，使其与较大形状的张量兼容，然后进行逐元素乘法。

 import torch  
   
 A = torch.tensor(\[\[1, 2, 3\], \[4, 5, 6\]\])  
 B = torch.tensor(\[10, 20, 30\])  
 result = torch.mul(A, B)  

在这个例子中，A 的形状是 (2, 3)，而 B 的形状是 (3,)。PyTorch 自动将 B 扩展为 (2, 3)，然后对每个对应元素进行乘法运算。

torch.mul 是一个高效的逐元素操作，因为它直接在元素级别上进行计算，适用于需要对大批量数据进行逐元素操作的场景。它可以充分利用现代硬件的并行计算能力（如GPU），在处理大型张量时非常高效。

注意事项

虽然 torch.mul 支持广播，但在进行操作时，确保两个张量的形状是兼容的非常重要。如果形状不兼容，将会引发运行时错误。当使用标量时，标量会被自动广播到张量的每个元素，因此直接操作是安全的。

 import torch  
   
 A = torch.tensor(\[1, 2, 3\])  
 B = torch.tensor(\[\[1, 2, 3\], \[4, 5, 6\]\])  
 # 形状不兼容，无法进行逐元素乘法  
 result = torch.mul(A, B)  # 会引发 RuntimeError: The size of tensor a (3) must match the size of tensor b (2) at non-singleton dimension 0  

在这个错误示例中，由于 A 是一维张量，而 B 是二维张量且第一个维度不匹配，因此无法广播，导致错误。

torch.mul 在许多机器学习和深度学习任务中都非常有用。例如：

1. 权重调整：在神经网络中，可以通过 torch.mul 来逐元素调整权重或激活值。
2. 掩码操作：在图像处理中，可以使用 torch.mul 来对图像应用掩码，逐元素控制哪些部分需要保留或修改。
3. 归一化：可以逐元素将张量归一化或缩放，以满足特定的算法要求。

torch.mul 在处理各种张量操作时非常有用。它支持广播机制，可以自动适应不同形状的张量，从而在多种应用场景中提供简洁而高效的解决方案。

5、torch.mv

torch.mv 是 PyTorch 中用于进行矩阵与向量乘法的函数。它专门用于二维张量（矩阵）和一维张量（向量）之间的乘法操作。torch.mv 是矩阵乘法的一种特殊情况，适用于当你需要将矩阵乘以向量时使用。

torch.mv 执行的是矩阵与向量的乘法操作。假设有一个矩阵 A，它的形状为 (m, n)，以及一个向量 v，它的形状为 (n,)，那么 torch.mv(A, v) 将返回一个形状为 (m,) 的一维张量（向量），结果是矩阵 A 与向量 v 的乘积。

 import torch  
   
 # 示例: 矩阵与向量的乘法  
 A = torch.tensor(\[\[1, 2, 3\], \[4, 5, 6\]\])  
 v = torch.tensor(\[7, 8, 9\])  
 result = torch.mv(A, v)  
 print(result)  # 输出: tensor(\[ 50, 122\])  

在这个示例中,矩阵 A 的形状为 (2, 3)，向量 v 的形状为 (3,)。通过 torch.mv(A, v)，我们得到的结果是形状为 (2,) 的向量 [50, 122]，其中每个元素是通过矩阵与向量的标准乘法计算得出的。

torch.mv 执行的矩阵与向量乘法遵循以下规则：对于矩阵 A 中的每一行，将该行与向量 v 的所有元素逐元素相乘，并将乘积的结果求和，得到一个标量。这个标量就是结果向量对应位置的值。

 import torch  
   
 A = torch.tensor(\[\[1, 2, 3\], \[4, 5, 6\]\])  
 v = torch.tensor(\[7, 8, 9\])  
 result = torch.mv(A, v)  
 # 结果:  
 # result\[0\] = 1\*7 + 2\*8 + 3\*9 = 50  
 # result\[1\] = 4\*7 + 5\*8 + 6\*9 = 122 

torch.mv 专门用于矩阵和向量的乘法，比通用的矩阵乘法函数如 torch.matmul 或 torch.mm 更加高效，因为它避免了对多余维度的处理。这使得 torch.mv 在执行矩阵与向量乘法时速度更快，并且更适合用于大规模计算。

注意事项

矩阵 A 的列数（第二个维度）必须等于向量 v 的长度（第一个维度），否则将会报错。

 import torch  
   
 A = torch.tensor(\[\[1, 2, 3\], \[4, 5, 6\]\])  
 v = torch.tensor(\[7, 8\])  
 # 这将引发错误，因为 v 的形状与 A 的列数不匹配  
 result = torch.mv(A, v)  # 会引发 RuntimeError: size mismatch, m1: \[2x3\], m2: \[2\] at THTensorMath.cpp:41  

在这个错误示例中，向量 v 的长度与矩阵 A 的列数不匹配，因此无法进行矩阵与向量乘法。

torch.mv 是 PyTorch 中用于执行矩阵与向量乘法的专用函数。它对矩阵与向量乘法进行了优化，能够高效处理这类操作，是线性代数、深度学习和科学计算中常用的工具。在许多应用场景中都很有用，特别是在以下情况下：

1. 线性代数操作：在计算线性方程组、特征值问题等线性代数问题时，经常需要进行矩阵与向量的乘法。
2. 神经网络计算：在神经网络的前向传播过程中，特别是全连接层中，权重矩阵与输入向量的乘法操作可以通过 torch.mv 高效地实现。
3. 物理模拟：在一些物理模拟中，状态向量与转换矩阵的乘法操作可以通过 torch.mv 实现。

6、torch.dot

torch.dot 是 PyTorch 中用于计算两个一维张量（即向量）之间的点乘（内积）的函数。点乘是一种基本的向量操作，在许多数学和工程应用中都有广泛的应用。

torch.dot 计算的是两个向量之间的点积。假设有两个向量 a 和 b，它们的长度相同（即形状都为 (n,)），那么 torch.dot(a, b) 的结果是一个标量（即一个数值），这个值是通过对应位置的元素相乘后再求和得到的。

 import torch  
   
 # 示例: 两个向量的点乘  
 a = torch.tensor(\[1, 2, 3\])  
 b = torch.tensor(\[4, 5, 6\])  
 result = torch.dot(a, b)  
 print(result)  # 输出: tensor(32)  

在这个示例中：向量 a 的形状为 (3,)，向量 b 的形状也是 (3,)。通过 torch.dot(a, b)，我们得到了标量 32，其计算过程为：1*4 + 2*5 + 3*6 = 4 + 10 + 18 = 32。

torch.dot 计算点乘的方式是逐元素相乘，然后将结果求和。对于两个长度为 n 的向量 a 和 b，点积的计算公式如下：

 result = (a[0] * b[0]) + (a[1] * b[1]) + ... + (a[n-1] * b[n-1])

torch.dot 是对两个一维张量进行点积的优化实现，由于其简单的计算流程和对向量操作的专门优化，它通常具有非常高的性能，特别是在 GPU 上处理大规模数据时表现尤为优异。

torch.dot 仅适用于一维张量（向量），如果输入的张量不是一维的，会引发错误。并且torch.dot 返回一个标量（标量张量），而不是张量。由于点积的对称性，torch.dot(a, b) 与 torch.dot(b, a) 的结果是相同的。

与其他操作的对比

• torch.matmul 和 torch.mm：这些函数用于矩阵乘法，适用于高维张量。torch.dot 只用于一维张量的点积。
• torch.mul：这是逐元素乘法，不是点积。torch.mul(a, b) 会返回一个与 a 和 b 形状相同的张量，其中每个元素是对应元素的乘积，而 torch.dot(a, b) 会返回一个标量。

torch.dot 是一个简单而高效的函数，专门用于计算一维张量之间的点积。在许多数学、物理和工程应用中，它是一个非常重要的工具。点积在很多场景中都有应用，包括但不限于：

1. 向量投影：在几何中，点乘可以用于计算一个向量在另一个向量方向上的投影。
2. 相似性计算：在信息检索和机器学习中，两个向量的点积可以用于衡量它们的相似性。例如，在词向量（Word Embeddings）的相似性计算中，点积是常用的度量方法之一。
3. 能量计算：在物理学中，点积用于计算力和位移的乘积（即功的计算）。

7、torch.outer

torch.outer 是 PyTorch 中用于计算两个一维张量（即向量）之间的外积（外积矩阵）的函数。外积是线性代数中的一种基本运算，结果是一个矩阵，其元素是两个输入向量各元素的乘积。

torch.outer 计算的是两个向量的外积。假设有两个向量 a 和 b，它们的形状分别是 (n,) 和 (m,)，那么 torch.outer(a, b) 的结果是一个形状为 (n, m) 的二维张量（矩阵），这个矩阵中的元素由 a[i] * b[j] 计算得到。

 import torch  
   
 # 示例: 两个向量的外积  
 a = torch.tensor(\[1, 2, 3\])  
 b = torch.tensor(\[4, 5, 6\])  
 result = torch.outer(a, b)  
 print(result)  
 # 输出:  
 # tensor(\[\[ 4,  5,  6\],  
 #         \[ 8, 10, 12\],  
 #         \[12, 15, 18\]\])  

在这个示例中：

• 向量 a 的形状为 (3,)，向量 b 的形状也为 (3,)。
• 通过 torch.outer(a, b)，我们得到了形状为 (3, 3) 的矩阵。这个矩阵的每个元素都是由 a[i] 和 b[j] 的乘积计算得出。

torch.outer 是对两个一维张量进行外积的优化实现。由于其操作涉及大量的元素乘法，因此在处理大型向量时，特别是在 GPU 上计算，torch.outer 的性能表现十分出色。

torch.outer 仅适用于一维张量，即向量，并返回一个二维张量（矩阵），其形状为 (n, m)，其中 n 和 m 是输入向量的长度。

与其他操作的对比

• torch.matmul 和 torch.mm：这些函数用于矩阵乘法，适用于高维张量。torch.outer 专用于计算两个一维张量之间的外积。
• torch.mul：这是逐元素乘法。如果两个张量的形状相同，torch.mul(a, b) 将执行逐元素乘法，而不是计算外积。

torch.outer 是一个用于计算两个一维张量之间外积的高效工具。它在生成矩阵、处理双线性形式、构建张量积等应用中非常有用。外积在很多场景中都有应用，包括但不限于：

1. 矩阵构建：外积可用于生成特定类型的矩阵，例如克罗内克积。
2. 双线性形式：在双线性形式的表示中，外积经常用于构建张量。
3. 机器学习：在神经网络的权重更新、特征交互等场景中，外积运算可以构造高阶特征。

8、torch.einsum

torch.einsum 是 PyTorch 中一个非常强大的函数，它使用爱因斯坦求和约定（Einstein Summation Convention）来执行复杂的张量操作。torch.einsum 的灵活性使得它可以用于各种矩阵和张量运算，包括矩阵乘法、转置、内积、外积、以及其他高阶张量运算。

爱因斯坦求和约定是一种简化张量操作的符号表示方法，其中重复的指标自动表示求和。torch.einsum 使用字符串表示张量操作，将输入张量的维度与输出维度通过指定的模式进行映射。

 torch.einsum(equation, *operands)

equation：一个字符串，描述了输入和输出张量的维度关系。

*operands：一个或多个张量，参与计算的张量。

使用示例

1、矩阵乘法

矩阵乘法是最常见的张量操作之一。对于两个矩阵 A 和 B，使用 torch.einsum 进行矩阵乘法可以表示为：

 import torch  
   
 A = torch.tensor(\[\[1, 2\], \[3, 4\]\])  
 B = torch.tensor(\[\[5, 6\], \[7, 8\]\])  
 result = torch.einsum('ik,kj->ij', A, B)  
 print(result)  # 输出: tensor(\[\[19, 22\], \[43, 50\]\])

这里，'ik,kj->ij' 表示：

• A 的维度为 i（行）和 k（列）。
• B 的维度为 k（行）和 j（列）。
• 输出的矩阵 C 的维度为 i（行）和 j（列），其中 k 是求和维度。

2、向量内积（点积）

对于两个向量 a 和 b，它们的内积可以用 torch.einsum 表示为：

 a = torch.tensor([1, 2, 3])
 b = torch.tensor([4, 5, 6])
 result = torch.einsum('i,i->', a, b)
 print(result) # 输出: tensor(32)
 

这里，'i,i->' 表示：

• a 和 b 都是一维向量，维度为 i。
• 输出是一个标量（没有索引），表示所有元素的乘积之和。

3、向量外积

向量外积可以表示为：

 a = torch.tensor(\[1, 2, 3\])  
 b = torch.tensor(\[4, 5, 6\])  
 result = torch.einsum('i,j->ij', a, b)  
 print(result)  
 \# 输出:  
 \# tensor(\[\[ 4,  5,  6\],  
 \#         \[ 8, 10, 12\],  
 \#         \[12, 15, 18\]\])  

这里，'i,j->ij' 表示：

• a 的维度为 i，b 的维度为 j。
• 输出矩阵 C 的维度为 ij，表示 a[i] 和 b[j] 的乘积。

torch.einsum 是一个通用且灵活的工具，但其性能可能不如专门为某些操作优化的函数（如 torch.matmul）。所以在性能关键的应用中，使用专门的张量操作函数可能会更高效。不过对于需要简洁表示复杂操作的场景，torch.einsum 仍然是首选。

总结

以下是对 PyTorch 中几种常用张量操作函数的总结：

1. torch.matmul (矩阵乘法)

• 功能：执行矩阵乘法，支持二维矩阵、批量矩阵乘法、高维张量乘法。
• 应用：广泛用于神经网络中的矩阵运算，如全连接层的计算。

2. torch.mm (矩阵乘法)

• 功能：专门用于二维张量（矩阵）之间的乘法，不支持广播和高维张量。
• 应用：适用于明确为二维矩阵的乘法操作，性能高效。

3. torch.bmm (批次矩阵乘法)

• 功能：对三维张量进行批次矩阵乘法，适用于批量处理的场景。
• 应用：常用于深度学习中的批量数据处理和图神经网络中的邻接矩阵计算。

4. torch.mul (元素级乘法)

• 功能：逐元素乘法，支持任意维度张量并自动广播。
• 应用：用于权重调整、掩码操作、数据归一化等逐元素运算。

5. torch.mv (矩阵与向量乘法)

• 功能：用于二维矩阵与一维向量之间的乘法操作。
• 应用：适用于神经网络中的前向传播、线性代数操作。

6. torch.dot (点乘)

• 功能：计算两个一维张量（向量）之间的点积，结果是一个标量。
• 应用：用于计算向量内积、向量相似性、物理学中的能量计算。

7. torch.outer (外积)

• 功能：计算两个一维张量之间的外积，结果是一个二维矩阵。
• 应用：用于构建矩阵、处理双线性形式、特征交互等。

8. torch.einsum (爱因斯坦求和约定)

• 功能：使用爱因斯坦求和约定进行复杂张量运算，包括矩阵乘法、转置、内积、外积等。
• 应用：广泛用于线性代数、物理学计算、机器学习中的复杂操作。

这些 PyTorch 张量操作函数各有其专门用途和应用场景。torch.matmul、torch.mm 和 torch.bmm 主要用于矩阵乘法；torch.mul 和 torch.outer 用于逐元素和外积操作；torch.mv 和 torch.dot 处理矩阵与向量、向量与向量的乘法；torch.einsum 则是处理复杂张量运算的多功能工具。

https://avoid.overfit.cn/post/2ce5023db7634886b602e7eb6ce4abb7