矩阵乘法
########


规则
====

* 对于两个张量 𝐴 和 𝐵，如果 𝐴 的最后一个维度大小与 𝐵 的倒数第二个维度大小相同，则可以进行矩阵乘法。
* 计算后的张量形状为：剩余维度 + 𝐴 的所有前维度 + 𝐵 的最后一维。

二维向量
--------

* 若矩阵 𝐴 的形状为 (𝑚,𝑛)，矩阵 𝐵 的形状为 (𝑛,𝑝)，则它们的乘积 𝐶 是一个形状为 (𝑚,𝑝) 的矩阵。

高维向量
--------

* 在深度学习中，矩阵乘法被扩展为支持高维张量的批次操作：
    * **批次维度广播** ：批次维度会自动匹配和广播。
    * **最后两维的矩阵相乘** ：仅对张量的最后两维执行矩阵乘法，其他维度被广播保留。

批次维度广播
------------

* 右对齐比较：先从右到左逐个维度对齐两个张量的形状。
* 兼容性条件：两个维度相等，或其中一个为 1，可以广播。否则，无法广播，操作会报错。

示例 1：批次维度完全匹配::

    import torch

    A = torch.randn(2, 3, 4)    # 形状: [2, 3, 4]
    B = torch.randn(2, 4, 5)    # 形状: [2, 4, 5]

    C = torch.matmul(A, B)
    print(C.shape)  # 输出: [2, 3, 5]

示例 2：批次维度广播::

    A = torch.randn(1, 3, 4)    # 形状: [1, 3, 4]
    B = torch.randn(2, 4, 5)    # 形状: [2, 4, 5]

    C = torch.matmul(A, B)
    print(C.shape)  # 输出: [2, 3, 5]

示例 3：批次维度无法广播::

    A = torch.randn(3, 3, 4)    # 形状: [3, 3, 4]
    B = torch.randn(2, 4, 5)    # 形状: [2, 4, 5]

    C = torch.matmul(A, B)  # 报错：批次维度 [3] 和 [2] 不兼容






计算公式
========

.. math::

    C[i,j] = \sum_{k=1}^n{A[i,k] \cdot B[k,j]}