如何用 Tenosr 进行科学运算¶
可以通过 megengine.functional.xxx 形式调用的 API 被认为是通用 Tensor 运算，
负责提供常见的科学运算接口，该部分的 API 设计尽可能地向 NumPy API 靠拢。
所有的 API 都可以在 全局tensor操作 中找到。
根据对 Tensor 形状的要求和影响，我们又可以把这些运算分为以下几大类：
参见
并不是所有的 NumPy 中的计算接口都有提供对应的 MegEngine 实现，但在处理数据时， 你可以选择先调用 NumPy 实现获得 ndarray, 然后 将 NumPy ndarray 转化为 MegEngine Tensor ；
如果你不理解一些 API 的使用方法，可以查询 NumPy 中关于对应 API 用法的介绍。
元素级别运算（Element-wise）¶
元素级别运算是 Tensor 运算中最常见的一大类，根据操作数的区别， 它既可以指对 Tensor 中每个位置的元素进行相同的运算（即一元运算）， 也可以指在不同的 Tensor 之间的对应元素逐个进行相互运算（即二元或更多元运算）， 这些运算自身又可以根据运算性质简略地区分为：
算术运算 （加减乘除等，参考 Arithmetic operations ）
位运算（参考 位操作 ）
逻辑运算（参考 逻辑函数 ）
在神经网络运算中，也有许多运算是元素级别的，比如激活函数 relu 等。
元素级别的含义¶
如果两个元素在各自的 Tensor 内占据着相同的位置，那么我们可以称这两个元素是对应的，
其中元素的位置由用于定位每个元素的 索引 确定。
我们用下面两个 Tensor a 和 b 作为例子：
>>> a = megengine.Tensor([[1., 2.], [3., 4.]])
>>> b = megengine.Tensor([[9., 8.], [7., 6.]])
我们使用相同的索引 [0][0] 去获取分别获取两个 Tensor 中的元素：
>>> a[0][0]
Tensor(1.0, device=xpux:0)
>>> b[0][0]
Tensor(9.0, device=xpux:0)
可以发现，a 中值为 1 的元素对应着 b 中值为 9 的元素。其它 3 个位置的元素也分别对应。
注解
对应关系由相同的索引定义，它表明了 Tensor 之间必须具有相同的形状才能进行元素间操作。
以加法为例子，我们可以当作是两个矩阵之间进行了矩阵加法：
>>> a + b
Tensor([[10.0 10.0]
[10.0 100.]], dtype=int32, device=xpux:0)
警告
并不是形状完全相同的两个 Tensor 之间才能够进行元素级别的运算， 如果两个 Tensor 的形状相互 “兼容”，则可以 广播（Broadcast） 至相同的形状进行运算。 这个机制让 Tensor 计算变得非常灵活。
参见
人们也用 Component-wise / Point-wise 等术语来指代元素级别的运算。
与矩阵运算的对比¶
与 + 类似，使用 * 可以用来计算矩阵的对应元素相乘，也叫哈达玛积（Hadamard product）：
>>> a = megengine.Tensor([[1., 2.], [3., 4.]])
>>> b = megengine.Tensor([[9., 8.], [7., 6.]])
>>> a * b
Tensor([[ 9. 16.]
[21. 24.]], device=xpux:0)
警告
不同的框架和库对于一些运算符的定义不同。 在 Matlab 中使用 .* 和 .^ 表示元素级别的乘法和乘方，
使用 * 和 ^ 表示矩阵乘法和乘方，参考官网解释：
Array vs. Matrix Operations
一些人会将 * 误认为是矩阵乘法 matmul , 实际上在 MegEngine 中矩阵乘法对应的运算符是 @ .
>>> a @ b
Tensor([[23. 20.]
[55. 48.]], device=xpux:0)
它对应于 functional 模块中提供的 matmul 接口：
>>> megengine.functional.matmul(a, b)
Tensor([[23. 20.]
[55. 48.]], device=xpux:0)
参见
更多与线性代数有关的运算，请参考 线性代数函数 .
归约运算（Reduction）¶
注解
归约运算能够减少一个 Tensor 中元素的数量。
我们可以理解成统计意义上的降维（Dimensionality reduction）。
一个最简单的例子是对 Tensor 中的元素求和，使用 sum 接口：
>>> a = megengine.Tensor([[1, 2, 3], [4, 5, 6]])
>>> b = megengine.megengine.functional.sum(a)
Tensor(21, dtype=int32, device=xpux:0)
>>> print(a.shape, b.shape)
(2, 3) ()
可以看到，我们对一个形状为 (2, 3) 的 Tensor 求和后得到了一个 0 维 Tensor.
警告
归约运算并不总是将输入 Tensor 归约为具有单个元素的 0 维 Tensor. 在传入
axis参数且不为 None 时，则可以要求沿着轴进行规约，参考 使用 axis 作为参数 ；我们也可以通过设置参数
keepdims=True来保持归约运算前后的维度不变。
参见
想要了解更多关于规约的知识，可以参考维基百科中对 Reduction operator 的解释。