也称为点积、内积、数量积、标量积，向量a[a1，a2，an]和向量b[b1，b2b .bn]的点乘的结果是标量，a.b； 得到价值。
叉(也称为向量积、外积、叉积。 叉乘是向量a[x1，y1，z1]和向量b[x2，y2，z2]的叉乘的运算结果为一个向量。 而且，两个向量的叉积垂直于由这两个向量组成的坐标平面。 得到记为axb)的向量。
a=torch.tensor ([ 1，2，3 ] ) b=torch.tensor ([ 2，3，4 ] [ 2，3，4 ] ) (print ) (torch.dot ) a，b ) ) torch ) torch ) tid1. 二维矩阵乘法 torch.mm()
torch.mm(mat1，mat2，out=None ) )。
2. 三维带batch的矩阵乘法 torch.bmm()
神经网络训练一般采用mini-batch，由于经常输入时采用三维带batch的矩阵，所以提供
torch.BMM(BMAT1，bmat2，out=None ) ) )。
一般不怎么用，只是在训练一个模型的时候用。
3. 多维矩阵乘法 torch.matmul()
torch.matmul(input，other，out=None ) )支持broadcast操作，有关乘以一般矩阵乘法，推荐使用这个matmul多维数据matmul ()的信息，请参见如果两个输入的维度分别是input(10005009911 )，other ) 5001199 )，则torch.matmul ) input，other，out=None )平方分析这两个参数的batch size分别为[1000500]和500x1，由于广播为[1000500]，因此最终输出维数为10005009999。
4. 矩阵逐元素(Element-wise)乘法 torch.mul()
torch.mul(mat1，other，out=None ) )。
这里，other乘数可以是标量，也可以是任意维的矩阵，只要满足最终的乘法可以broadcast即可。
5. dot 函数
对等级为1的数组执行相应位置的乘法运算，然后进行加法运算。等价于向量的点乘；
如果对等级不为1的二维数组执行矩阵乘法，则为等价于矩阵的叉乘；
6. * 和 @
*表示矩阵每个元素的乘法
@表示矩阵乘法
x=torch.tensor ([ 1，2 ]，[ 3，4 ] ) y=torch.tensor ([ 1，2 ]，[ 3，4 ] ) print ) x*y ) print ) x@ )4)
1 .将向量视为1*n的矩阵，但要增加维数需要采用unsqueeze ) )函数。
置换的话，一般采用a.t ()，或者A.Transpose )，1 )
2 .用于矩阵点乘法的torch.mul
3 .用于矩阵乘法的torch.matmul
importtorcha=torch.tensor ([ 1，2，3 ] )1* 3c=torch.tensor ([ 1，2，3 ]，[ 4，5，6 ] )2*3print ) 4，4