PyTorch矩阵乘法全解析：从基础到广播机制的torch.matmul()实战指南

1. 初识torch.matmul()：你的万能矩阵乘法工具箱

如果你刚开始用PyTorch做深度学习，或者从NumPy转过来，可能会被一堆乘法函数搞晕：torch.mm()、torch.mv()、torch.bmm()，还有直接用*号做元素乘。别慌，今天我要跟你聊的torch.matmul()，可以说是PyTorch里最“聪明”、最“通用”的矩阵乘法函数，它能搞定上面提到的大部分场景，而且自带“广播”魔法，让不同形状的张量也能愉快地一起计算。

简单来说，torch.matmul()就是PyTorch为你准备的“一站式”矩阵乘法解决方案。它不像torch.mm()那样死板，只认两个二维矩阵；也不像torch.dot()那样挑剔，非要两个一维向量。matmul这个名字就来自“matrix multiply”，但它实际的能力远不止于二维矩阵。我刚开始用的时候也犯嘀咕，这么多乘法函数我该用哪个？后来项目做多了才发现，torch.matmul()几乎能满足我90%的矩阵运算需求，尤其是在处理维度不确定或者需要广播的时候，用它准没错。

它的核心逻辑是：根据输入的两个张量（Tensor）的维度，自动选择最合适的乘法规则。你可以把它想象成一个经验丰富的厨师，你给他土豆和牛肉（不同维度的张量），他能自动判断是该炒土豆丝还是炖土豆牛肉（执行点积、矩阵乘还是批量乘），最后给你端上合适的菜（输出结果）。这个“自动判断”的规则，就是理解torch.matmul()的关键，也是我们接下来要深入探讨的。我们先从最基础的场景看起，你会发现它其实很直观。

2. 从零开始：五种核心乘法规则详解

官方文档把torch.matmul()的行为分成了五大类。别被“五类”吓到，其实它们有很强的规律性。我习惯把这五类分成两个层面来理解：基础层面（一维和二维张量的各种组合）和高阶层面（涉及三维及以上的批量操作）。我们先彻底搞懂基础层面，这是理解所有复杂情况的地基。

2.1 向量点积：一维 × 一维

这是最简单的情况。当两个输入都是一维张量时，torch.matmul()做的就是标准的向量点积（也叫内积）。点积的规则是：两个向量对应位置的元素相乘，然后把所有乘积加起来，得到一个标量（零维张量）。

import torch

vec_a = torch.tensor([1, 2, 3])
vec_b = torch.tensor([4, 5, 6])

result = torch.matmul(vec_a, vec_b)
print(result)  # 输出: tensor(32)
print(result.shape)  # 输出: torch.Size([])

计算过程就是 (1*4) + (2*5) + (3*6) = 32。这里有个关键点：两个一维向量的长度必须相同，否则会报错。这个功能跟torch.dot()是完全一样的。在实际的深度学习里，比如计算两个特征向量的相似度（余弦相似度的分子部分），或者某些简单线性层的计算，都会用到这种点积。

2.2 标准矩阵乘法：二维 × 二维

当两个输入都是二维张量时，torch.matmul()就退化成我们线性代数里学的最标准的矩阵乘法。它的行为与torch.mm()函数一致。

matrix_a = torch.tensor([[1, 2], [3, 4]])  # 形状 (2, 2)
matrix_b = torch.tensor([[5, 6], [7, 8]])  # 形状 (2, 2)

result = torch.matmul(matrix_a, matrix_b)
print(result)
# 输出:
# tensor([[19, 22],
#         [43, 50]])
print(result.shape)  # 输出: torch.Size([2, 2])

矩阵乘法的规则是“前行乘后列”。具体来说，结果矩阵中第i行第j列的元素，等于第一个矩阵第i行的所有元素，与第二个矩阵第j列的对应元素相乘再求和。这里有一个必须满足的硬性条件：第一个矩阵的列数必须等于第二个矩阵的行数。在上面的例子里，matrix_a的形状是(2,2)，matrix_b的形状也是(2,2)，满足a的列数(2)等于b的行数(2)，所以可以相乘，得到形状为(2,2)的结果。如果形状不匹配，比如尝试用(2,3)的矩阵去乘(2,2)的矩阵，PyTorch就会抛出RuntimeError，提示你形状无法相乘。

2.3 向量与矩阵相乘：一维 × 二维

从这里开始，torch.matmul()的“