一、基础介绍
什么是 mul 与 reduce_sum？
mul 通常指元素级乘法（Element-wise 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 是一种规约操作（Reduction Operation），它沿指定维度对张量的元素求和，从而 “压缩” 或 “减少” 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。
二、baseline 结构
onnx 可视化图如下：
对应代码如下：
class CustomNet(nn.Module):def __init__(self):super(CustomNet, self).__init__()def forward(self, a, b):# a: shape (1, 500, 7, 4, 13, 8)# b: shape (1, 500, 7, 4, 13, 256)# Step 1: Unsqueeze a -> (1, 500, 7, 4, 13, 8, 1)a = a.unsqueeze(-1)# Step 2: Reshape b -> (1, 500, 7, 4, 13, 8, 32)b = b.view(1, 500, 7, 4, 13, 8, 32)# Step 3: Mul (broadcast over last dim)out = a * b # shape: (1, 500, 7, 4, 13, 8, 32)# # Step 4: ReduceSum over dim=2 (index 2 = 7 dim)out = out.sum(dim=2) # shape: (1, 500, 4, 13, 8, 32)# # Step 5: ReduceSum over dim=1 (500 dim)out = out.sum(dim=1) # shape: (1, 4, 13, 8, 32)# Step 6: Reshape to final outputout = out.view(-1, 13, 8, 32) # 可根据需要调整最终输出 shapereturn outa = torch.randn(1, 500, 7, 4, 13, 8)
b = torch.randn(1, 500, 7, 4, 13, 256)
model = CustomNet()
output = model(a, b)
在征程 6M 上进行简单的模型编译与性能预估：
hb_compile -m mymodel.onnx --march nash-m --fast-perf
根据产出物得到预估 latency：2.97 ms
这个结构如何进行优化呢？
三、合并 reduce_sum
# Step 4: ReduceSum over dim=2 (index 2 = 7 dim)
out = out.sum(dim=2) # shape: (1, 500, 4, 13, 8, 32)# Step 5: ReduceSum over dim=1 (500 dim)
out = out.sum(dim=1) # shape: (1, 4, 13, 8, 32)
这两个 reducesum 能合并成一个，使用 dim=（1， 2）（即同时对 dim=1 和 dim=2 做 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）
out = out.sum(dim=(1, 2)) # 一次性对 dim=1 和 dim=2 求和
PyTorch 中 。sum（dim=（1， 2）） 会按照给出的维度一次性执行 sum 操作，等价于逐个做 dim=2 然后 dim=1，因为 sum 是可交换的操作，最终结果形状完全相同。
优化后结构如下，可以看到确实少了一个 reducesum：
预估 latency: 1.75 ms
四、mul+reducesum 变成 conv
假设有两个张量：
- a.shape = (B, C, H, W)
- b.shape = (B, C, H, W)
常见操作是：
out = (a * b).sum(dim=[2, 3]) # 在 H 和 W 上求和，输出 shape: (B, C)# ----------细节---------------
import torch
import torch.nn as nn
a = torch.randn(1, 3, 8, 4) # 多维时，a的最后一维若与b不同，则只能是1，否则不能进行广播
b = torch.randn(1, 3, 8, 4)
c = a * b # c的shape：torch.Size([1, 3, 8, 4])
d = c.sum(dim=[2,3]) # d的shape：torch.Size([1, 3])
注意：torch 中 a * b 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 or 行）
通过 深度卷积（depthwise convolution） 可以近似实现 Mul + ReduceSum 操作，等价的 Conv2d 实现方式，可以用 groups=B*C 的 conv2d 来实现上述操作：
import torch
import torch.nn.functional as Fdef conv_approx_mul_reducesum(a, b):B, C, H, W = a.shape# 把 b 变成卷积核，作为每个通道的 filterkernel = b.reshape(B * C, 1, H, W)# 输入 reshape 成 (1, B*C, H, W)input_ = a.reshape(1, B * C, H, W)# 深度卷积实现 mul+sum，输出 shape: (1, B*C, 1, 1)output = F.conv2d(input_, kernel, groups=B * C)# reshape 回 (B, C)return output.reshape(B, C)
conv2d 的过程是：
- 对每个通道进行 乘法（卷积）
- 然后在 kernel 区域内 求和
所以 F.conv2d（a， b， groups=B*C） 本质就是：对 a 和 b 逐元素相乘再求和 = Mul + ReduceSum
一致性验证：
import torch
import torch.nn as nn
import torch.nn.functional as Fa = torch.randn(1, 3, 8, 4) # 多维时，a的最后一维若与b不同，则只能是1，否则不能进行广播
b = torch.randn(1, 3, 8, 4)
c = a * b # c的shape：torch.Size([1, 3, 8, 4])
d = c.sum(dim=[2,3]) # d的shape：torch.Size([1, 3])
print(d)def F_conv2d_approx_mul_reducesum(a, b):B, C, H, W = a.shape# 把 b 变成卷积核，作为每个通道的 filterkernel = b.reshape(B * C, 1, H, W)# 输入 reshape 成 (1, B*C, H, W)input_ = a.reshape(1, B * C, H, W)# 深度卷积实现 mul+sum，输出 shape: (1, B*C, 1, 1)output = F.conv2d(input_, kernel, groups=B * C)# reshape 回 (B, C)return output.reshape(B, C)
print(F_conv2d_approx_mul_reducesum(a,b))def nn_conv2d_approx_mul_reducesum(a, b):B, C, H, W = a.shape# 把 b 变成卷积核，作为每个通道的 filterkernel = b.reshape(B * C, 1, H, W)# 输入 reshape 成 (1, B*C, H, W)input_ = a.reshape(1, B * C, H, W)# 假设已有输入input_和卷积核kernel# kernel形状: (输出通道数, 输入通道数//groups, 核高, 核宽)# 例如：groups=B*C时，输入通道数需为groups的倍数out_channels = kernel.size(0)in_channels = kernel.size(1) * (B * C) # 输入通道数 = 每组通道数 * groupskernel_size = (kernel.size(2), kernel.size(3))# 创建nn.Conv2d模块conv_layer = nn.Conv2d(in_channels=in_channels,out_channels=out_channels,kernel_size=kernel_size,groups=B * C,bias=False # 若F.conv2d未用偏置)# 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 mul+sum，输出 shape: (1, B*C, 1, 1)output = conv_layer(input_)# reshape 回 (B, C)return output.reshape(B, C)
print(nn_conv2d_approx_mul_reducesum(a,b))
输出：
tensor([[-0.3991, 0.2382, -8.5925]])
tensor([[-0.3991, 0.2382, -8.5925]])
tensor([[-0.3991, 0.2382, -8.5925]], grad_fn=<ViewBackward0>)
可以看到，结果确实一样。
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。