多维矩阵乘积运算和对应的广播机制

神经网络中的多维矩阵乘积运算：

遵循的原则是： 两张量前两维度应该是相同的，如果不同则其中一张量维度为1。

如果有论文中有遇到矩阵乘积的两项维度不一致，那就考虑它计算时是使用了广播机制（如YOLACT）。
例如：
tensor1 = torch.randn(2, 3, 4, 5) # 2x3x4x5
tensor2 = torch.randn(2, 1, 5, 6) # 2x3x5x6

所有大于二维的，最终都是以二维为基础堆叠在一起的！！ 所以在矩阵运算的时候，其实最后都可以转成我们常见的二维矩阵运算。

例子：四维*四维
比如a：shape=[2,1,4,5]，b：shape=[1,1,5,4]相乘，输出的结果中，前两维保留的是[2,1]，最终结果shape=[2,1,4,4]

后两维[4,4]理解为利用a中shape[4,5]的矩阵乘b中shape[5,4]的矩阵得到。得到的乘积结果前面的维度为[2,1]的原因是：a前面的维度为[2,1]，但b只有[1,1]，所以看成b进行了广播得到，但前面的维度满足用广播机制的前提就是有一个维度为1。