使用torch.mm(a, b)或torch.matmul(a, b)
两者都一样。

>>> torch.mm
<built-in method mm of type object at 0x11712a870>
>>> torch.matmul
<built-in method matmul of type object at 0x11712a870>

还有另一种可能很了解的选项。那是@运算符。 @西蒙·H。

>>> a = torch.randn(2, 3)
>>> b = torch.randn(3, 4)
>>> a@b
tensor([[ 0.6176, -0.6743,  0.5989, -0.1390],
        [ 0.8699, -0.3445,  1.4122, -0.5826]])
>>> a.mm(b)
tensor([[ 0.6176, -0.6743,  0.5989, -0.1390],
        [ 0.8699, -0.3445,  1.4122, -0.5826]])
>>> a.matmul(b)
tensor([[ 0.6176, -0.6743,  0.5989, -0.1390],
        [ 0.8699, -0.3445,  1.4122, -0.5826]])    

这三个给出相同的结果。

相关链接：
矩阵乘法运算符
PEP 465-用于矩阵乘法的专用中缀运算符

您正在寻找

torch.mm(a,b)

需要注意的是torch.dot()的行为不同，以np.dot()有人讨论了这里需要什么。具体来说， torch.dot()将a和b视为一维向量（与它们的原始形状torch.dot() ），并计算其内积。引发错误，因为此行为使您a a为长度6的向量，而b为长度2的向量；因此无法计算其内积。对于PyTorch中的矩阵乘法，请使用torch.mm() 。相反，Numpy的np.dot()更灵活；它计算1D数组的内积，并对2D数组执行矩阵乘法。

应广大用户要求，功能torch.matmul执行矩阵乘法，如果两个参数都是2D和计算它们的点积，如果两个参数都是1D 。对于此类尺寸的输入，其行为与np.dot相同。它还允许您批量广播或matrix x matrix ， matrix x vector和vector x vector操作。有关更多信息，请参见其文档 。

# 1D inputs, same as torch.dot
a = torch.rand(n)
b = torch.rand(n)
torch.matmul(a, b) # torch.Size([])

# 2D inputs, same as torch.mm
a = torch.rand(m, k)
b = torch.rand(k, j)
torch.matmul(a, b) # torch.Size([m, j])

如果要进行矩阵（2级张量）相乘，可以用四种等效的方式进行：

AB = A.mm(B) # computes A.B (matrix multiplication)
# or
AB = torch.mm(A, B)
# or
AB = torch.matmul(A, B)
# or, even simpler
AB = A @ B # Python 3.5+

有一些细微之处。从PyTorch文档中 ：

torch.mm不广播。有关广播矩阵产品，请参见torch.matmul（）。

例如，您不能将两个一维矢量与torch.mm相乘，也不能与批处理矩阵相乘（等级3）。为此，您应该使用功能更强大的torch.matmul 。有关torch.matmul的广播行为的详细torch.matmul ，请参见文档 。

对于逐元素乘法，您可以简单地做（如果A和B具有相同的形状）

A * B # element-wise matrix multiplication (Hadamard product)