pytorch中矩阵运算种类
关于@运算，*运算，torch.mul(), torch.mm(), torch.mv(), tensor.t()
@ 和 *代表矩阵的两种相乘方式：@表示常规的数学上定义的矩阵相乘；*表示两个矩阵对应位置处的两个元素相乘。
x.dot(y): 向量乘积,x，y均为一维向量。
*和torch.mul()等同:表示相同shape矩阵点乘，即对应位置相乘，得到矩阵有相同的shape。
@和torch.mm(a, b)等同：正常矩阵相乘，要求a的列数与b的行数相同。
torch.mv(X, w0):是矩阵和向量相乘.第一个参数是矩阵，第二个参数只能是一维向量,等价于X乘以w0的转置
Y.t():矩阵Y的转置。
实例展示：
a = torch.tensor([
[1, 0, 1],
[0, 1, 0],
[1, 0, 1],
])
b = torch.tensor([
[3, 1, 3],
[1, 0, 1],
[3, 1, 3],
])
c = torch.tensor([
[1, 1, 1],
[0, 1, 1],
[0, 0, 1],
])
w1 = torch.tensor([1, 2, 1])
w2 = torch.tensor([3, 4, 3])
1、 *和torch.mul()等同，矩阵点乘
res1 = a*b
res11 = torch.mul(a, b)
print("a*b={}\n".format(res1))
print("torch.mul(a, b)={}\n".format(res11))
Output:
a*b=tensor([[3, 0, 3],
[0, 0, 0],
[3, 0, 3]])
torch.mul(a, b)=tensor([[3, 0, 3],
[0, 0, 0],
[3, 0, 3]])
2、 @和torch.mm(a, b)等同，矩阵乘法
res2 = a@b
res22 = torch.mm(a, b)
print("a@b={}\n".format(res2))
print("torch.mm(a,b)={}\n".format(res22))
Output:
a@b=tensor([[6, 2, 6],
[1, 0, 1],
[6, 2, 6]])
torch.mm(a,b)=tensor([[6, 2, 6],
[1, 0, 1],
[6, 2, 6]])
3、 dot()向量乘法
向量运算，参数不能是多维矩阵，否则报错：RuntimeError: 1D tensors expected, got 2D, 2D tensors at.
res3 = w1.dot(w2)
print("w1.dot(w2)={}\n".format(res3))
Output:
w1.dot(w2)=14
4、 c.t()矩阵转置
res4 = c.t()
print("c.t()={}\n".format(res4))
Output:
c.t()=tensor([[1, 0, 0],
[1, 1, 0],
[1, 1, 1]])
5、torch.mv(a, w1)矩阵乘向量
res5 = torch.mv(a, w1)
res55 = torch.mv(a, w1.t())
print("torch.mv(a, w1)={}\n".format(res5))
print("torch.mv(a, w1.t())={}\n".format(res55))
Output: 向量w1是行向量和列向量都可以，结果一样。
torch.mv(a, w1)=tensor([2, 2, 2])
torch.mv(a, w1.t())=tensor([2, 2, 2])
总结：
如果命题拿不准就多测试两遍，相互验证。
