torch.bmm 和 torch.mul

1. torch.bmm（Batch Matrix Multiplication）

功能：对两个三维张量进行批量矩阵乘法。
数学形式：
对于输入张量$A\in {\mathbb{R}}^{b\times m\times n}$和$B\in {\mathbb{R}}^{b\times n\times p}$，输出$C\in {\mathbb{R}}^{b\times m\times p}$，其中：
$C[i,:,:]=A[i,:,:]\cdot B[i,:,:]$
参数：
• input (Tensor): 第一个三维张量。
• mat2 (Tensor): 第二个三维张量（最后一维必须与 input 的倒数第二维匹配）。

代码示例：

import torch

# 定义两个三维张量（batch_size=2, 矩阵维度 3x4 和 4x5）
A = torch.randn(2, 3, 4)
B = torch.randn(2, 4, 5)

# 批量矩阵乘法
C = torch.bmm(A, B)  # 输出形状: [2, 3, 5]

应用：

bb = torch.bmm(b[0].view(-1, self.classes, 1), b[1].view(-1, 1, self.classes))

• 目的：计算两个视图的归一化证据$b$的相似性矩阵（即$b^0\cdot b^1$）。
• 形状变换：
• b[0].view(-1, self.classes, 1)：将 b[0] 变形为 [batch_size, classes, 1]。
• b[1].view(-1, 1, self.classes)：将 b[1] 变形为 [batch_size, 1, classes]。
• 结果：bb 的形状为 [batch_size, classes, classes]，表示两两类别之间的相关性。

---

2. torch.mul（Element-wise Multiplication）

功能：逐元素乘法（支持广播机制）。
数学形式：
对于输入张量$A$和$B$，输出$C=A\odot B$，其中$C$的每个元素满足：
$C_{i,j}=A_{i,j}\times B_{i,j}$
参数：
• input (Tensor): 第一个张量。
• other (Tensor/Number): 第二个张量或标量（自动广播）。

代码示例：

import torch

# 张量与张量逐元素相乘
A = torch.tensor([[1, 2], [3, 4]])
B = torch.tensor([[2, 2], [1, 0]])
C = torch.mul(A, B)  # 输出: [[2, 4], [3, 0]]

# 张量与标量相乘
D = torch.mul(A, 3)  # 输出: [[3, 6], [9, 12]]

应用：

bu = torch.mul(b[0], u[1].expand(b[0].shape))
ub = torch.mul(b[1], u[0].expand(b[0].shape))
b_a = (torch.mul(b[0], b[1]) + bu + ub) / (1 - C.view(-1, 1))

• 目的：

1. bu 和 ub：计算视图间的证据-不确定性交互项（$b^0\cdot u^1$和$b^1\cdot u^0$）。
2. b_a：合成归一化证据时，结合原始证据、交互项和冲突调整因子$1-C$。
   • 广播机制：u[1].expand(b[0].shape) 将不确定性张量扩展为与证据张量相同的形状。

---

对比总结

函数	作用	输入形状	输出形状	典型应用场景
torch.bmm	批量矩阵乘法	[b,m,n] 和 [b,n,p]	[b,m,p]	多视图相关性计算、注意力机制
torch.mul	逐元素乘法（支持广播）	任意形状（需可广播）	同输入形状（广播后）	加权融合、动态调整参数

---

结构示意图（DST例子）

1. 输入：两个视图的狄利克雷参数 alpha1 和 alpha2。
2. 中间计算：
   • 通过 torch.bmm 计算视图间相关性矩阵 bb。
   • 通过 torch.mul 计算证据与不确定性的交互项 bu 和 ub。
3. 输出：合成后的参数 alpha_a。