高维数组的"矩阵相乘"

需求：高维（至少3维以上）的两个数组，进行线性代数中的矩阵相乘！下面的规律numpy和cupy都适用。

两个数组尺寸要求：

• "2维以上"的尺寸必须完全对应相等；
• "2维"具有实际意义的单位，只要满足矩阵相乘的尺寸规律即可。

例子：

import numpy as np

# 前两个高维4和3必须对应完全相等！后面两个只需满足矩阵相乘要求即可。
a = np.zeros( (4,3,4,2) ) + 1  
b = np.zeros( (4,3,2,4) ) + 2

w = np.matmul(a,b)
print( w.shape )

# 结果：
(4, 3, 4, 4)

结果的说明：我们已经知道，高维数组的单位其实就是一个个二维矩阵；上面例子的"高维数组相乘"，其实就是"两个矩阵彼此之间二维矩阵单位的相乘"而已！高维仅代表这样的单位有很多，整体做了很多对应位置的单位相乘罢了（直接用高维数组相乘，比用循环对应位置一个一个循环乘要快太多！！）。

因此：再高纬度的矩阵，都能直接进行快速的矩阵相乘，这为"矢量化编程"创造了条件。