高维矩阵相乘 及对应的numpy pytorch函数

矩阵相乘

一、向量的点乘和叉乘

在介绍矩阵的乘法之前，需要先回顾总结一下向量的点乘和叉乘（矩阵的点乘叉乘和向量是不一样的）

①向量点乘

向量的点乘（dot produce）又称为内积，等于对应位置相乘再相加，两个向量点乘（内积）的结果是一个标量

有两个向量$\vec{a}$$和$$\vec{b}$，$\vec{a}=(x_1,y_1,z_1)$，$\vec{b}=(x_2,y_2,z_2)$

$$\vec{a}\cdot \vec{b}=x_1{x}_2+y_1{y}_2+z_1{z}_2$$

从几何角度看，点积是两个向量的长度与它们夹角余弦的积

$$\vec{a}\cdot \vec{b}=|\vec{a}||\vec{b}|cos\theta$$

点乘的结果表示$\vec{a}$$和$$\vec{b}$在$\vec{b}$$向上的投影与$$|\vec{b}|$的乘积，反映了两个向量在方向上的相似度

②向量叉乘

向量叉乘（cross product）又称向量积、外积，叉乘的结果是一个向量，与这两个向量都垂直，是这两个向量所在平面的法线向量

$$\vec{a}\times \vec{b}=|\vec{a}||\vec{b}|sin\theta \vec{n}$$

几何意义：如果以向量$\vec{a}$$和$$\vec{b}$为边构成一个平行四边形，那么这两个向量外积的模长与这个平行四边形的面积相等。

③对应位置相乘

对应位置相乘的结果还是一个向量 size不变 结果为$$(x_1\ast x_2,y_1\ast y_2,z_1\ast z_2)$$

import numpy as np
# 向量点乘
np.dot(a,b) # 标量
# 向量叉乘
np.cross(a,b) # 向量
# 对应位置相乘
np.nultiply(a,b) # 向量

二、矩阵乘法

一般来说我们说的矩阵相乘也是分为三种：按元素相乘、矩阵乘法、克罗内克积

①矩阵点乘/按元素相乘

与向量相乘不同的是，矩阵点乘得到的仍然是一个矩阵，不改变维数，他的结果是矩阵的各个元素对应相乘

矩阵点乘要求两个矩阵的size必须相等，或者行数相等，后者列数为1（广播机制）

当矩阵维度相等时，矩阵点积即为哈达玛积（hadamand product），符号为$$A\odot B$$

②矩阵叉乘/矩阵乘法

矩阵叉乘即为矩阵乘法（matmul product），需要满足矩阵乘法的运算规则，即前者的列数和后者的行数要相等

③矩阵的克罗内克积（kronecker product）

矩阵的点乘和叉乘在numpy中的函数和向量运算是不一样的

# 矩阵点乘/按元素相乘
np.multiply(A,B)
or
A*B
# 矩阵叉乘/矩阵乘法
np.dot(A,B)
or
A@B # @和np.matmul的用法应该是一样的
or
A.dot(B)

三、高维矩阵相乘

高维矩阵相乘时，是把前面n-2维看做batch计算的，后面两维相乘，这样可以转换为二维矩阵运算

需要满足的规则是：矩阵的最后两维满足矩阵相乘原则，前面的n-2维相同（或者利用广播机制 可以为1）

需要注意的是 高维矩阵相乘用到的函数是np.matmul，它和np.dot在二维矩阵下是一致的。但高维是不同的

# np.dot可以实现矩阵与标量的乘法，而np.matmul不行
# 在二维矩阵乘法中，np.dot和np.matmul的结果是一样的

a = np.array([i for i in range(12)]).reshape([2,2,3])
b = np.array([i for i in range(12)]).reshape([2,3,2])

np.matmul(a,b).shape # (2,2,2)
np.dot(a,b).shape # (2,2,2,2)

np.dot将a数组的最后一维作为向量，并将b数组的倒数第二维作为了另一个向量然后进行向量间的点乘

一般情况下矩阵乘法采用np.matmul

但是当矩阵维度不同的时候，np.matmul是不能用的 这个时候如果一定要相乘，那么可以用*实现按元素相乘，通过广播机制补充到同维度，再进行同维度的乘法，只需要较低维矩阵的最高维与较高维矩阵对应维度形状相同即可

pytorch中处理张量

神经网络中一般都是高维矩阵[B,C,H,W]，所以我们需要看一下pytorch中矩阵乘法的实现

import torch
# 按元素相乘
x * y
torch.mul(x,y)
# 向量点乘
torch.matmul(x,y) # 返回的是一个标量
torch.dot(x,y) # 只允许一维的tensor，不允许广播
# 矩阵乘法
torch.matmul(x,y)
torch.mm(x,y) # 仅处理矩阵乘法 torch.matmul可以处理向量 也可以广播
# 高维矩阵相乘
torch.matmul(x,y)

x shape: torch.Size([2, 2, 3]) 
y shape: torch.Size([2, 3, 2])
xy =  torch.matmul(x,y)
xy shape: torch.Size([2, 2, 2]) 
    
or
torch.bmm(x,y) # torch.bmm仅能处理三维的矩阵相乘

矩阵乘法首选torch.matmul，这个函数功能很强大，可以实现向量点积，矩阵乘法，并且引入了广播机制

爱因斯坦求和简记法

爱因斯坦求和约定（einsum）也可以实现矩阵相乘的操作 并且在神经网络中处理高维数据时很可能会用到

numpy和pytorch都对它进行了实现，两者用法是一样的 这里给出pytorch中的例子

详细请看 一文学会 Pytorch 中的 einsum - 知乎 (zhihu.com) 一文掌握爱因斯坦求和约定 einsum_einstein求和_神功智能的博客-CSDN博客

使用时需要明确的是下面这几点，

• 哪几个输入数组参与运算
• 沿输入的哪些轴（维度）计算乘积
• 输出数组需要保留哪些轴

该简记法当中，省略掉的部分是：1）求和符号与2）求和号的下标

**省略规则为：**默认成对出现的下标为求和下标

这里提供两个例子 来源：Pytorch中, torch.einsum详解。_电子科技大学的博客-CSDN博客

①二维矩阵乘法

print(a_tensor)
 
tensor([[11, 12, 13, 14],
        [21, 22, 23, 24],
        [31, 32, 33, 34],
        [41, 42, 43, 44]])
 
print(b_tensor)
 
tensor([[1, 1, 1, 1],
        [2, 2, 2, 2],
        [3, 3, 3, 3],
        [4, 4, 4, 4]])
 
# 'ik, kj -> ij'语义解释如下：
# 输入a_tensor: 2维数组，下标为ik,
# 输入b_tensor: 2维数组，下标为kj,
# 输出output：2维数组，下标为ij。
# 隐含语义：输入a,b下标中相同的k，是求和的下标，对应上面的例子2的公式
output = torch.einsum('ik, kj -> ij', a_tensor, b_tensor)
 
print(output)
 
tensor([[130, 130, 130, 130],
        [230, 230, 230, 230],
        [330, 330, 330, 330],
        [430, 430, 430, 430]])

②高阶张量

a = np.arange(60.).reshape(3,4,5)
b = np.arange(24.).reshape(4,3,2)
 
# 语义解析：
# 输入a：3阶张量，下标为ijk
# 输入b: 3阶张量，下标为jil
# 输出o: 2阶张量，下标为k和l
# 隐含语义：对i,j进行求和，公式附于代码之后：
o = np.einsum('ijk,jil->kl', a, b)
print(o)
 
array([[4400., 4730.],
       [4532., 4874.],
       [4664., 5018.],
       [4796., 5162.],
       [4928., 5306.]])
 
# 验证：
print(np.sum(a[:,:,0]*b[:,:,0].T))
 
4400.0
 
print(np.sum(a[:,:,1]*b[:,:,0].T))
 
4532.0

参考

向量点乘与叉乘的概念及几何意义 - 知乎 (zhihu.com)

pytorch tensor 乘法运算汇总与解析_tensor乘法_程序之巅的博客-CSDN博客

【全面理解多维矩阵运算】多维（三维四维）矩阵向量运算-超强可视化 - 知乎 (zhihu.com)