NumPy提供的np.matmul()函數作為專門針對矩陣乘法的核心工具，以其清晰的語義和對高維數據的友好支持，成為處理復雜數據結構的首選。本文我將從數學定義、函數特性、多維應用場景等方面，全面解析np.matmul()的核心機制與使用技巧。

一、矩陣乘法的本質與np.matmul()的設計目標

1. 數學定義：從二維到多維的擴展

標準矩陣乘法要求兩個矩陣滿足形狀匹配條件：若矩陣A形狀為(m, n)，矩陣B形狀為(n, p)，則乘積C = A × B的形狀為(m, p)，元素計算為：
$$C_{i,j}=\sum _{k=1}^n{A}_{i,k}?B_{k,j}$$
當擴展到高維數組（如包含批次維度的矩陣集合）時，傳統np.dot()在處理軸順序時可能產生歧義，而np.matmul()則明確針對矩陣乘法語義設計，避免了這種混淆。

2. 設計目標

• 明確區分元素級乘法與矩陣乘法：與*運算符（元素級乘法）形成清晰分工
• 簡化高維數組處理：自動保留前導維度，僅對最后兩維執行矩陣乘法
• 禁止標量運算：專注于矩陣/向量操作，避免np.dot()中標量與向量的歧義行為

二、np.matmul()核心語法與參數解析

函數簽名

numpy.matmul(a, b, out=None)

• 參數說明：
  • a, b：輸入數組（必須為數組或矩陣，不支持標量）
  • out：可選參數，用于存儲結果的預分配數組

核心特性

1. 輸入類型限制：

   • 至少為一維數組，禁止標量輸入（np.matmul(3, 4)會報錯）
   • 支持np.ndarray和np.matrix（后者已逐步棄用，建議使用前者）

2. 形狀匹配規則：

   • 對于a.shape = (..., m, n)和b.shape = (..., n, p)，結果形狀為(..., m, p)
   • 前導維度（...部分）通過廣播機制匹配，必須形狀相同或可廣播

3. 一維數組處理：

   • 一維數組視為行向量或列向量，自動擴展為二維矩陣進行運算
   • 若a為一維（形狀(n,)），b為二維（形狀(n, p)），則結果為一維(p,)

三、多維場景下的核心運算邏輯

1. 二維矩陣乘法：基礎用法

import numpy as np
A = np.array([[1, 2], [3, 4]])  # shape=(2, 2)
B = np.array([[5, 6], [7, 8]])  # shape=(2, 2)
C = np.matmul(A, B)
print(C)
# 輸出：
# [[19 22]
#  [43 50]]
# 等價于np.dot(A, B)，但語義更明確

2. 一維向量與二維矩陣相乘

v = np.array([1, 2, 3])       # shape=(3,)（視為行向量）
M = np.array([[4, 5], [6, 7], [8, 9]])  # shape=(3, 2)
result = np.matmul(v, M)       # 行向量 × 矩陣 = 行向量
print(result.shape)  # 輸出：(2,)
print(result)        # 輸出：[4*1+6*2+8*3, 5*1+7*2+9*3] = [38, 46]

3. 高維數組：批次矩陣乘法

在深度學習中，常需處理批次數據（如100個樣本的特征矩陣）：

batch_A = np.random.rand(100, 3, 4)  # 100個形狀為(3,4)的矩陣（批次, m, n）
batch_B = np.random.rand(100, 4, 5)  # 100個形狀為(4,5)的矩陣（批次, n, p）
batch_C = np.matmul(batch_A, batch_B)  # 對每個批次獨立執行矩陣乘法
print(batch_C.shape)  # 輸出：(100, 3, 5)（保留批次維度，僅最后兩維運算）

4. 廣播機制下的形狀匹配

當前導維度不匹配時，np.matmul()會自動廣播：

A = np.random.rand(2, 3, 4)    # shape=(2, 3, 4)
B = np.random.rand(4, 5)       # shape=(4, 5)（隱式批次維度為空）
C = np.matmul(A, B)            # 等價于對每個2×3×4矩陣乘以4×5矩陣
print(C.shape)  # 輸出：(2, 3, 5)（B的前導維度廣播為(2,)）

四、與np.dot()和*運算符的核心區別

1. 對比np.dot()

特性	np.dot()	np.matmul()
標量支持	支持（返回標量乘積）	不支持（輸入必須≥1維）
一維數組處理	視為向量點積（返回標量）	視為矩陣乘法（返回向量或矩陣）
高維處理	對最后一維執行點積，可能產生歧義	僅對最后兩維執行矩陣乘法，保留前導維度
矩陣乘法語義	二維時等價，高維時邏輯復雜	明確針對矩陣乘法設計，避免歧義

示例對比：

# 三維數組乘法
A = np.random.rand(2, 3, 4)  # shape=(2,3,4)
B = np.random.rand(2, 4, 5)  # shape=(2,4,5)
dot_result = np.dot(A, B)    # 形狀=(2,3,2,5)（錯誤的軸擴展）
matmul_result = np.matmul(A, B)  # 形狀=(2,3,5)（正確保留前導維度）

2. 對比元素級乘法*

• np.matmul()：執行矩陣乘法（需滿足形狀匹配條件）
• * 運算符：執行元素級乘法（需形狀完全一致或可廣播）

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
matmul_result = np.matmul(A, B)  # 矩陣乘法
element_result = A * B            # 元素級乘法
print(matmul_result)  # [[19, 22], [43, 50]]
print(element_result)  # [[5, 12], [21, 32]]

五、典型應用場景

1. 深度學習中的批次矩陣運算

在神經網絡前向傳播中，輸入數據通常包含批次維度（如32張圖像的特征矩陣）：

# 假設輸入：32個樣本，每個樣本784維特征（shape=(32, 784)）
# 權重矩陣：784輸入神經元，100輸出神經元（shape=(784, 100)）
inputs = np.random.rand(32, 784)
weights = np.random.rand(784, 100)
outputs = np.matmul(inputs, weights)  # 形狀=(32, 100)（自動處理批次維度）

2. 信號處理：多維濾波器卷積

在二維圖像卷積中，濾波器可視為矩陣，通過np.matmul()對多個濾波器進行批量處理：

# 假設圖像批次：10張圖像，每張32x32像素（shape=(10, 32, 32)）
# 濾波器：5x5，3個通道（shape=(5, 5, 32)）
# 注意：實際卷積需配合維度調整，此處簡化為矩陣乘法邏輯
filtered = np.matmul(images.reshape(10, 1024, 5), filters.reshape(5, 25))

3. 經濟學：投入產出模型

計算產業間的完全消耗系數矩陣時，需多次矩陣求逆與乘法：

# 直接消耗系數矩陣A (n×n)，單位矩陣I (n×n)
I = np.eye(n)
B = np.matmul(np.linalg.inv(I - A), A)  # 完全消耗系數矩陣

六、注意事項與最佳實踐

1. 避免使用np.matrix

雖然np.matmul()支持np.matrix類型，但該類型已被棄用，建議統一使用np.ndarray：

# 推薦做法（清晰的形狀控制）
A = np.array([[1, 2], [3, 4]], dtype=np.float64)
B = np.array([[5, 6], [7, 8]], dtype=np.float64)# 不推薦（np.matrix即將移除）
A_mat = np.matrix([[1, 2], [3, 4]])

2. 處理一維向量時顯式重塑

為避免維度歧義，建議將一維向量顯式重塑為二維矩陣：

v = np.array([1, 2, 3])
v_row = v.reshape(1, -1)    # 行向量 (1, 3)
v_col = v.reshape(-1, 1)    # 列向量 (3, 1)
M = np.array([[4, 5], [6, 7], [8, 9]])
print(np.matmul(v_row, M))  # 行向量 × 矩陣 = 行向量 (1, 2)
print(np.matmul(M, v_col))  # 矩陣 × 列向量 = 列向量 (3, 1)

3. 性能優化：利用BLAS加速

np.matmul()底層依賴BLAS庫（如OpenBLAS、MKL）實現高效計算，大規模矩陣運算時無需額外優化：

# 檢查是否啟用BLAS并行計算
import numpy as np
print(np.__config__.get_info('blas'))  # 查看BLAS后端信息

總結
np.matmul()核心優勢：

1. 語義明確：專門用于矩陣乘法，避免與點積、元素級乘法混淆
2. 高維友好：自動保留前導維度，完美適配批次數據處理（如深度學習中的批量運算）
3. 類型安全：禁止標量輸入，強制矩陣/向量語義，減少低級錯誤

使用建議：

• 二維矩陣乘法：優先使用np.matmul()而非np.dot()，增強代碼可讀性
• 高維批次運算：必須使用np.matmul()，確保前導維度正確保留
• 元素級運算：始終使用*運算符，與矩陣乘法明確區分

That’s all, thanks for reading!
覺得有用就點個贊、收進收藏夾吧！關注我，獲取更多干貨～