点积是两个向量中的值相乘的总和：

的数据
所以我猜你想乘所有值沿沿着通道尺寸和需要找到的总和的结果，请纠正我，如果我的理解是错误的。

import torch

t1 = torch.rand(10, 3, 240, 320)
t2 = torch.rand(10, 3, 240, 320)

# Multiply two tensors and sum along the channel dimension
multp  = t1 * t2 
summed = multp.sum(dim = 1, keepdim = True)

print(summed.shape)  # torch.Size([10, 1, 240, 320])

字符串

@yutasrobot的答案很好，但有时你不想显式地计算中间乘法。如果广播的形状太大，可能会导致太多的内存消耗。它也会损害性能，可能是因为它破坏了该高速缓存的增益。看看this答案了解更多关于缓存的信息。
另一种解决方案是使用矩阵乘法或einsum，它不会将乘积复制到RAM中，然后再次获取它。

>>> A = torch.randn(1000, 500, 200)
>>> B = torch.randn(1000, 500, 1)
>>> torch.allclose((A * B).sum(dim=-1), torch.einsum('abc,abc->ab', A, B), atol = 1e-4)
True

>>> %timeit (A * B).sum(dim=-1)
181 ms ± 856 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit torch.einsum('abc,abc->ab', A, B)
49.4 ms ± 494 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

字符串
额外奖励：
我注意到以下输出为False：

>>> torch.allclose((A * B).sum(dim=-1), torch.einsum('abc,abc->ab', A, B))
False

型
在检查我是否做错了什么之后，我意识到这不是一个einsum的问题，而是后者的问题。不计算中间产品也有助于数值精度。将乘法存储在另一个Tensor中会产生许多浮点错误，而将产品动态求和可以获得更好的精度。这可以通过以下示例来证明：

>>> C = torch.randn(1000000)
>>> D = torch.randn(1000000)

>>> (C * D).sum()
tensor(191.5947)

>>> torch.dot(C, D)
tensor(191.5979)

>>> torch.einsum('i,i->', C, D)
tensor(191.5979)

型