Numpy Einsum路径差异及optimize参数选择的性能优化咨询

我最近在处理张量运算时碰到了个头疼的性能问题：当扩展z或q维度时，运算执行时间出现了显著的暴涨——凭直觉判断这种性能衰减不该这么严重，于是我开始琢磨优化方向。

首先我推测问题可能出在输入张量的结构上，觉得可以通过手动张量收缩调整输入形式来提升效率。接着调研相关配置参数时，发现运算的optimize参数支持两种优化模式：'optimal'和'greedy'。

为了找到最优方案，我分别评估了这两种模式下的运算路径，随后做了实际测试。结果很明确：'optimal'模式的执行速度远快于'greedy'模式，完美解决了维度扩展带来的性能瓶颈。

内容的提问来源于stack exchange，提问作者Attack68