NumPy中是逐元素乘（支持broadcasting），@才是矩阵乘法；用错会导致形状错误或数值错误，应严格按shape语义选择：矩阵乘用@，逐元素乘用或np.multiply，禁用np.dot。
* 和 @ 的行为差异必须分清
NumPy 里 * 不是矩阵乘法，而是逐元素相乘（broadcasting 下也如此）；@ 才是真正的矩阵乘法（等价于 np.matmul）。很多人用 * 算矩阵乘积，结果形状对不上、数值全错，根本原因是没意识到操作符语义已变。
-
*要求两个数组 shape 兼容 broadcast（如(3, 4)×(4,)可行），结果 shape 由 broadcasting 规则决定 -
@要求左 operand 最后一维等于右 operand 倒数第二维（如(3, 4)@(4, 5)→(3, 5)），否则直接报ValueError: matmul: Input operand X has a mismatch in its core dimension - 一维数组参与
@时会被隐式当作列向量或行向量处理（如np.array([1,2]) @ np.array([[3],[4]])得标量），而*永远按 element-wise 对齐
什么时候该用 np.multiply 而不是 *
np.multiply 和 * 功能完全一致，都是逐元素乘。但显式调用它只在两种场景有用：需要传入 out= 参数复用内存，或配合 where= 做条件计算。
- 想避免中间数组分配？写
np.multiply(a, b, out=a)直接覆写a - 只想对某些位置做乘法？用
np.multiply(a, b, out=c, where=mask)，mask为False的位置c保持原值（注意：未指定out时where无效） - 别为了“看起来更正式”而用
np.multiply替代*——没意义，还多打字
np.dot 是个陷阱：它不统一
np.dot 行为取决于输入维度：二维数组时近似 @，但一维时变成内积，高维时又变成“对最后两轴做和积”。它早已被官方标记为“不推荐用于新代码”，尤其在混合向量/矩阵运算时极易出错。
-
np.dot([[1,2]], [[3],[4]])→[[11]]（像@） -
np.dot([1,2], [3,4])→11（标量内积，@此时会报错） -
np.dot(np.ones((2,3,4)), np.ones((2,4,5)))→(2,3,2,5)（怪异的 batch-like 行为，@根本不支持这种） - 结论：一律用
@做矩阵乘，用*或np.multiply做逐元素乘，彻底避开np.dot
广播（broadcasting）让 * 看似“能当矩阵乘”
这是最隐蔽的坑：比如你拿一个 (100, 1) 的列向量和一个 (1, 50) 的行向量用 * 相乘，得到 (100, 50) 的外积——看起来像矩阵乘，其实是 broadcast 结果，和线性代数意义上的矩阵乘毫无关系。
- 检查 shape：若
a.shape = (m, k)，b.shape = (k, n)，却用了a * b，那大概率是你想用a @ b - 广播乘法结果 shape 是
np.broadcast_shapes(a.shape, b.shape)，不是矩阵乘的标准输出 shape - 性能上，
*在 broadcast 场景下可能比@慢得多（例如(1000,1) * (1,1000)生成百万级中间数组，而@压根不接受这种输入）
事情说清了就结束。关键就一条：看到矩阵运算，先盯住 shape，再选操作符——@ 看维度对齐，* 看 broadcast 是否真符合你要的语义。
