矩阵乘法02

首先是关于张量轴的思考

M@V矩阵乘法如何组成？

视角1

特殊情况_图示抽象(<,>)：（赋权扩展/收缩）
> ：当一个维数为1，各自赋予权重，后求和；反向模式是将其expand后赋予权重
<：当另一个维数为1，expand后，各自赋予权重；反向模式是将赋权后其求和

当没有维数为1时（如何分组）：标准矩阵乘法

x = x.expand_as(w)
x *= w
x = x.sum(0)

(3,4) = (3).expand_as(3,4)
(3,4) *= (3,4)
(4) = (3,4).sum(0)

是最简单的(连续轴)线性分组 - 往左(-1)expand，往右(0)sum

*(2,3)从分布采样得到init参数；传入的输入是(2)，传进去的梯度是(3)
这是最简单的维数转换器

学习如何分组，并且如何赋权扩展/收缩
expand和sum(keepdim=0)这些方法在存在反向模式的情况下
是在变换tensor的维度索引

由此引出

提出的模块

(连续轴x1)线性分组 到 (连续轴x3)线性分组

只有一个矩阵参数的FC，传统矩阵乘法M@V
x,w 
(3,_)<(3,4)=(3,4)>(_,5)
x = x.expand_as(w)
x *= w
x = x.sum(0