报错原因是张量形状不满足矩阵乘法要求，即左操作数最后一维不等于右操作数倒数第二维；需检查报错末尾的size()、区分matmul/mm/bmm用法，并用unsqueeze/reshape显式对齐维度。
PyTorch matmul 报错 RuntimeError: matmul: Input shapes do not match 怎么快速定位？
直接看报错末尾的张量形状——PyTorch 会明确打印两个操作数的 size()，比如 torch.Size([3, 4]) 和 torch.Size([5, 6])。只要不满足「左操作数最后一维 == 右操作数倒数第二维」，就必然失败。这不是广播问题，matmul 不自动广播维度。
常见误判点：
- 把
torch.mm（仅限 2D）和torch.matmul（支持 batch）混用，后者对 1D/2D/3D+ 行为不同 - 把输入当成了列向量，实际是行向量（比如
x.shape == (10,)而非(10, 1)） - 用了
.T但没注意它对 1D 张量无效（torch.tensor([1,2,3]).T还是(3,)）
如何让两个张量在 matmul 前“对齐”形状？
核心原则：不硬改数据，只显式 reshape / unsqueeze / transpose。避免用 view(-1, N) 这类可能出错的写法。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 1D 向量左乘矩阵？先
x.unsqueeze(0)变成(1, N)，再@ W - 1D 向量右乘矩阵？先
x.unsqueeze(1)变成(N, 1)，再W @ x - batch 输入是
(B, N)，权重是(M, N)？必须转置权重：x @ W.T或等价地torch.matmul(x, W.T) - 不确定维度顺序？用
torch.einsum('bn,mn->bm', x, W)更直白，且不依赖隐式规则
matmul、@、mm、bmm 该怎么选？
选错函数是形状错误的高发原因。它们对输入维度有硬性约束：
-
@和torch.matmul：行为一致，支持广播式 batch。例如(B, N, M) @ (B, M, P)→(B, N, P)；但(B, N, M) @ (M, P)也合法（右操作数被广播） -
torch.mm：强制要求两个输入都是 2D，且不做任何广播，(m, k) @ (k, n)→(m, n)。传入 3D 张量直接报错 -
torch.bmm：专用于 batch 矩阵乘，要求两个输入都是 3D 且 batch size 相同：(b, n, m) @ (b, m, p)→(b, n, p)。比matmul更严格，也更安全（不会意外广播）
调试时怎么一眼看出哪一维“卡住”了？
别靠猜。在报错前加一行检查：
print(f"x shape: {x.shape}, y shape: {y.shape}")
然后手动验证：若 x 是 (..., a, b)，y 是 (..., c, d)，则必须满足 b == c（最后两维可乘），其余前缀维度要能广播（即相等或某一方为 1）。
特别容易忽略的是：batch 维度不匹配却没报错——因为 PyTorch 默认广播。比如 (1, 32, 64) @ (16, 64, 128) 实际执行的是 16 次乘法（1→16 广播），结果是 (16, 32, 128)。这常导致后续层 shape 意外变化，到 loss 计算时才暴露。
