推荐新代码优先用 @ 或 matmul：matmul 专为矩阵乘法设计，只对最后两轴做双点积并支持广播，而 dot 行为复杂（一维为内积、高维易降维），易引发隐式 bug。
NumPy 中 dot 和 matmul 都能做矩阵乘法，但行为不完全等价——尤其在高维数组和广播场景下，matmul 更严格、更符合线性代数直觉，推荐新代码优先用 @ 操作符或 matmul。
什么时候该用 matmul 而不是 dot
matmul 专为矩阵乘法设计，只对最后两个轴做双点积，其余维度按广播规则对齐；dot 则更通用，对一维数组是内积，对二维是标准矩阵乘，但对三维及以上会“降维”式收缩（比如 a.dot(b) 可能把 (i,j,k) 和 (k,l,m) 变成 (i,j,l,m)，而非你预期的 (i,j,l,m) 批量矩阵乘）。
- 你要批量处理多个矩阵（如形状为
(N, M, K)×(N, K, P)），必须用matmul或@，dot会出错或结果不对 - 你写的是模型推理、Transformer attention 计算这类明确需要“batch 矩阵乘”的逻辑，
matmul行为可预测，dot容易隐式引入 bug - 你混用一维和二维数组：例如
vec @ mat（1×n × n×m）返回 (1, m) 形状；而np.dot(vec, mat)返回 (m,) —— 维度丢失，后续 reshape 容易漏
@ 操作符和 np.matmul 是等价的，但写法更简洁
@ 是 Python 3.5+ 引入的中缀操作符，底层调用的就是 np.matmul，语义清晰、可读性强。它不支持标量，也不做自动升维，所以比 dot 更“诚实”。
import numpy as np A = np.random.randn(2, 3) B = np.random.randn(3, 4) <h1>这三者结果相同，形状都是 (2, 4)</h1><p>C1 = A @ B C2 = np.matmul(A, B) C3 = np.dot(A, B) # 此时也对，因为都是二维</p><h1>但换成三维 batch：</h1><p>X = np.random.randn(5, 2, 3) # (batch, m, k) Y = np.random.randn(5, 3, 4) # (batch, k, n) Z = X @ Y # ✅ 正确：(5, 2, 4)</p><h1>np.dot(X, Y) ❌ 报错：operands could not be broadcast together</h1>
dot 的兼容性陷阱：一维数组和广播逻辑容易误用
np.dot(a, b) 对一维数组默认计算内积（标量），且会自动把一维向量当行向量或列向量“凑”维度，导致结果形状不直观。这种隐式行为在调试时很难发现。
-
np.dot([1,2], [3,4])→11（标量），不是 (1,2) × (2,1) 得到的 (1,1) 矩阵 -
np.dot([[1,2]], [[3],[4]])→[[11]]（二维），但[[1,2]] @ [[3],[4]]同样是[[11]]，语义一致 -
np.dot(a, b.T)在 a、b 都是一维时变成外积（outer product），而a[:, None] @ b[None, :]更显式、更可控
性能差异不大，但语义清晰度决定长期维护成本
在主流 NumPy 版本（1.19+）和 OpenBLAS/Intel MKL 后端下，@、matmul、dot（二维输入）底层都走相同的 BLAS gemm 调用，速度几乎无差别。真正影响开发效率的是：当你看到 a @ b，立刻知道这是“矩阵乘”；而 np.dot(a, b) 你得翻文档确认维度、查是否广播、看有没有意外降维。
高维张量、自动广播、一维向量参与运算——这些地方最容易踩坑。别依赖 dot 的“聪明”，用 matmul 或 @ 把意图写死，省下去掉 np.expand_dims 和 reshape 的时间。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
