PyTorch乘法全解析

在PyTorch里做乘法，可不是随便选个符号就行——不同的乘法对应着完全不同的运算逻辑，用错了轻则结果不对，重则直接报错。今天就把PyTorch里常用的几种乘法掰开揉碎了讲，从原理到代码例子，保证你看完能分清什么时候该用哪种。

一、逐元素乘法：* 运算符与torch.mul()

原理

这种乘法最直观，就是两个张量对应位置的元素相乘，要求两个张量的形状要么完全相同，要么满足广播机制（Broadcast）——简单说就是形状可以通过自动扩展维度来匹配，比如一个(3,)的向量和一个(1,3)的矩阵，会自动把向量扩展成(1,3)再逐元素相乘。

代码例子

importtorch# 形状完全相同的情况a=torch.tensor([[1,2],[3,4]])b=torch.tensor([[5,6],[7,8]])result1=a*b result2=torch.mul(a,b)print("逐元素乘法结果（*）:\n",result1)print("逐元素乘法结果（torch.mul）:\n",result2)# 广播机制的情况c=torch.tensor([10,20])# 形状(2,)d=torch.tensor([[1],[2]])# 形状(2,1)result3=c*dprint("广播逐元素乘法结果:\n",result3)

输出结果

逐元素乘法结果（*）: tensor([[ 5, 12], [21, 32]]) 逐元素乘法结果（torch.mul）: tensor([[ 5, 12], [21, 32]]) 广播逐元素乘法结果: tensor([[10, 20], [20, 40]])

可以看到*和torch.mul()的效果完全一致，前者是后者的语法糖，日常写代码用*更简洁。

二、矩阵乘法：@ 运算符与torch.matmul()

原理

这就是线性代数里标准的矩阵乘法，要求第一个张量的最后一个维度大小等于第二个张量的倒数第二个维度大小，比如形状为(m, n)的矩阵和(n, p)的矩阵相乘，结果是(m, p)的矩阵。

它还支持更高维的张量运算，比如处理批量矩阵：如果输入是(batch_size, m, n)和(batch_size, n, p)，结果就是(batch_size, m, p)，会自动对每个batch单独做矩阵乘法。

代码例子

importtorch# 二维矩阵乘法a=torch.tensor([[1,2],[3,4]])# 形状(2,2)b=torch.tensor([[5,6],[7,8]])# 形状(2,2)result1=a @ b result2=torch.matmul(a,b)print("矩阵乘法结果（@）:\n",result1)print("矩阵乘法结果（torch.matmul）:\n",result2)# 批量矩阵乘法batch_a=torch.randn(3,2,3)# 3个(2,3)的矩阵batch_b=torch.randn(3,3,4)# 3个(3,4)的矩阵result3=batch_a @ batch_bprint("批量矩阵乘法结果形状:",result3.shape)

输出结果

矩阵乘法结果（@）: tensor([[19, 22], [43, 50]]) 矩阵乘法结果（torch.matmul）: tensor([[19, 22], [43, 50]]) 批量矩阵乘法结果形状: torch.Size([3, 2, 4])

这里@同样是torch.matmul()的语法糖，对于二维矩阵来说，两者完全等价；高维张量运算时，torch.matmul()会自动识别批量维度，非常适合深度学习里的批量数据处理。

三、向量点积：torch.dot()

原理

专门用于两个一维张量（向量）的点积，即对应元素相乘后求和，要求两个向量的长度必须相同。注意它只能处理一维张量，输入高维张量会报错。

代码例子

importtorch a=torch.tensor([1,2,3])b=torch.tensor([4,5,6])result=torch.dot(a,b)print("向量点积结果:",result)

输出结果

向量点积结果: tensor(32)

计算过程是14 + 25 + 3*6 = 4+10+18=32，和数学上的点积定义完全一致。

四、批量矩阵乘法专用：torch.bmm()

原理

和torch.matmul()的批量矩阵乘法类似，但它要求输入必须是三维张量，且第一个维度是batch_size，后面两个维度是矩阵的行和列，即输入形状为(batch_size, m, n)和(batch_size, n, p)，输出是(batch_size, m, p)。

它的限制比torch.matmul()更严格，不支持广播，必须保证两个输入的batch_size一致，且中间维度匹配。

代码例子

importtorch batch_a=torch.randn(2,3,4)# 2个(3,4)的矩阵batch_b=torch.randn(2,4,5)# 2个(4,5)的矩阵result=torch.bmm(batch_a,batch_b)print("torch.bmm结果形状:",result.shape)

输出结果

torch.bmm结果形状: torch.Size([2, 3, 5])

如果尝试输入非三维张量，比如二维矩阵，torch.bmm()会直接报错，适合明确知道是批量矩阵乘法的场景，避免不小心触发广播导致错误。

五、总结对比

人能力有限，有问题随时联系。