Multiplication），它将两个形状相同的张量中对应位置的元素相乘，返回一个与原张量形状相同的新张量。
reduce_sum
张量的维度。
如果不指定维度，则对所有元素求和，返回一个标量。
data-src="https://img2024.cnblogs.com/blog/3500044/202510/3500044-20251031183411490-17671876.png"
对应代码如下：
__init__(self):super(CustomNet,
self).__init__()def
class="language-Plain">hb_compile
mymodel.onnx
data-src="https://img2024.cnblogs.com/blog/3500044/202510/3500044-20251031183411494-846421518.png"
这个结构如何进行优化呢？
sum），前提是这两个维度的求和没有先后顺序依赖（即两个维度是独立的）
data-src="https://img2024.cnblogs.com/blog/3500044/202510/3500044-20251031183411552-947591701.png"
预估
data-src="https://img2024.cnblogs.com/blog/3500044/202510/3500044-20251031183411455-786004193.png"
id="四mulreducesum-变成-conv">四、mul+reducesum
conv
是逐元素相乘（mul），而不是矩阵乘法（matmul），形状不匹配时会触发广播（复制对应列
行）
F_conv2d_approx_mul_reducesum(a,
b):B,
print(F_conv2d_approx_mul_reducesum(a,b))def
nn_conv2d_approx_mul_reducesum(a,
b):B,
例如：groups=B*C时，输入通道数需为groups的倍数out_channels
kernel.size(1)
nn.Conv2d(in_channels=in_channels,out_channels=out_channels,kernel_size=kernel_size,groups=B
C,bias=False
将预定义的kernel赋值给conv_layer的权重conv_layer.weight.data
kernel
注意：需确保kernel形状与nn.Conv2d的weight格式一致#
深度卷积实现
print(nn_conv2d_approx_mul_reducesum(a,b))
class="language-Plain">tensor([[-0.3991,
0.2382,
真正部署时，不太建议这么做，因为小尺寸没必要（快不了多少），大尺寸硬件不支持。
