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*bres11 = torch.mul(a, b)print("a*b={} ".format(res1))print("torch.mul(a, b)={} ".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@bres22 = torch.mm(a, b)print("a@b={} ".format(res2))print("torch.mm(a,b)={} ".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)={} ".format(res3))Output:
w1.dot(w2)=14
4、 c.t()矩阵转置
res4 = c.t()print("c.t()={} ".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)={} ".format(res5))print("torch.mv(a, w1.t())={} ".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。