机器学习领域，经常碰到一些tensor操作，tensor也有好几种积，使人眼花缭乱。本文就来把这些概念一次性说清楚。
在开始之前，我们先要明确一下张量、向量、矩阵、tensor这些概念是怎么一回事。
tensor中文名叫张量(本文后边就统一叫做tensor了)，可以包含很多维度，0维、1维、2维、3维.......
0维的tensor叫做纯量，比如:
纯量
1维的tensor叫做向量，比如：
向量
2维的tensor叫做矩阵，比如：
矩阵
3维或以上的tensor没有具体的名称，一般就叫做n维tensor
ok，清楚了这些概念，我们就开始主题。
点积是针对向量，也就是1维tensor，对应位置元素相乘，再相加求总和
torch.dot文档
torch.dot示例
Hadamard积是针对任意纬度tensor，对应位置相乘，纬度不变。（和点积的区别是不求和）
PyTorch重载了Python的*运算符，用于计算Hadamard Product
Hadamard积 示例
矩阵-向量积故名思义就是计算一个矩阵和一个向量的乘积
矩阵-向量积示例
矩阵乘法就是两个矩阵相乘。
两个矩阵相乘需要满足一定条件。对于a x b，a的列数要等于b的行数。相乘结果的行数等于a的行数，列数等于b的列数。具体规则这里不展开，本文只做概念区分，相乘的原则可参考其他资料。
矩阵乘法示例
