torch.matmul() VS torch.einsum()

torch.matmul():标准的矩阵乘法

• 向量-向量（点积）

  a = torch.randn(3)  # [3]
  b = torch.randn(3)  # [3]
  c = torch.matmul(a, b)  # 点积，标量输出
  

• 矩阵-向量

  A = torch.randn(3, 4)  # [3, 4]
  x = torch.randn(4)     # [4]
  y = torch.matmul(A, x) # [3]
  

• 矩阵-矩阵

  A = torch.randn(3, 4)  # [3, 4]
  B = torch.randn(4, 5)  # [4, 5]
  C = torch.matmul(A, B) # [3, 5]
  

• 批量矩阵乘法（更高维张量）

  A = torch.randn(2, 3, 4)  # [B, M, K]
  B = torch.randn(2, 4, 5)  # [B, K, N]
  C = torch.matmul(A, B)     # [B, M, N]
  

  torch.einsum:爱因斯坦求和约定(更通用的张量运算工具)

• 矩阵乘法

  A = torch.randn(3, 4)
  B = torch.randn(4, 5)
  C = torch.einsum("ik,kj->ij", A, B)  # 等价于 A @ BA = torch.randn(2, 3, 4)  # [B, M, K]
  B = torch.randn(2, 4, 5)  # [B, K, N]
  C = torch.einsum("bik,bkj->bij", A, B)  # [B, M, N]a = torch.randn(3)
  b = torch.randn(3)
  c = torch.einsum("i,i->", a, b)  # 点积，标量输出
  

• 转置

  A = torch.randn(3, 4)
  B = torch.einsum("ij->ji", A)  # 等价于 A.T
  

• 对角线提取

• 张量收缩（Tensor Contraction）（高阶张量乘法）

  A = torch.randn(2, 3, 4, 5)
  B = torch.randn(2, 4, 5, 6)
  C = torch.einsum("abcd,abde->abce", A, B)  # 对 d 维度收缩
  

• 广播运算

	torch.matmul	torch.einsum
灵活性	仅支持矩阵乘法类操作	支持任意张量运算（转置、收缩等）
可读性	直观（A @ B）	需要熟悉爱因斯坦求和约定
性能	高度优化（推荐用于标准矩阵乘法）	灵活但可能稍慢
广播支持	是	是
批量处理	自动支持	需显式指定批量维度