pytorch没有torch.linearalgebra模块，正确模块是torch.linalg（1.9+），它统一提供gpu加速的线性代数函数如inv、svd、eigh等，旧函数已弃用；需确保张量在cuda设备上才能启用gpu加速。
LinearAlgebra 模块——这是个常见误解。你真正要用的是 torch.linalg（PyTorch 1.9+）或更早版本中的 torch 命名空间下的线性代数函数（如 torch.mm、torch.solve 等），它们默认在 GPU 上自动加速，无需额外模块。
为什么找不到 torch.LinearAlgebra？
PyTorch 的线性代数功能全部收在 torch.linalg 下（取代了旧版中分散在 torch 顶层的函数）。如果你写了 import torch.LinearAlgebra 或 from torch import LinearAlgebra，会直接报错：ModuleNotFoundError: No module named 'torch.LinearAlgebra'。
-
torch.linalg是唯一官方维护的线性代数子模块，包含torch.linalg.inv、torch.linalg.svd、torch.linalg.eigh等 - 旧代码中用的
torch.inverse、torch.symeig已被标记为 deprecated，新项目必须迁移到torch.linalg对应函数 - 所有
torch.linalg函数都支持 CUDA 张量，只要输入在 GPU 上，运算就在 GPU 上执行，无需手动指定
怎样让矩阵运算真正跑在 GPU 上？
光调用 torch.linalg 不够——关键在张量设备（device）和 dtype。常见错误是：函数调用没错，但张量还在 CPU 上，结果白等半天。
- 显式创建 GPU 张量：
x = torch.randn(1000, 1000, device='cuda', dtype=torch.float32) - 或迁移已有张量：
x_gpu = x.cpu().to('cuda')（注意：避免.cuda()这种硬编码写法，它不兼容多卡环境） - 确保所有参与运算的张量设备一致，否则会报错：
RuntimeError: Expected all tensors to be on the same device - dtype 推荐用
torch.float32（FP32）；若用torch.float16，需确认 GPU 支持（如 V100/A100/T4），并配合torch.cuda.amp自动混合精度
torch.linalg 和 NumPy 的性能差异在哪？
不是“比 NumPy 快多少”，而是“是否能利用 GPU 并行”。小矩阵（比如 100×100）在 CPU 上，NumPy 可能更快（启动开销低）；但一旦上万维或批量运算，GPU 加速才显现价值。
- 单次
torch.linalg.inv在 2000×2000 矩阵上，CPU（NumPy + OpenBLAS）约 0.8s，RTX 4090 GPU 约 0.03s（快 25×+） - 批量求逆（
torch.linalg.inv支持 batched input）比循环调用 NumPy 快一个数量级 - 注意：GPU 内存带宽和显存容量是瓶颈——别一次性塞 100 个 5000×5000 矩阵，容易 OOM
- 验证是否真在 GPU 运行：
print(x.device)和torch.cuda.memory_allocated()查显存占用
容易被忽略的坑：autograd 和 inplace 操作
torch.linalg 函数默认支持梯度计算（autograd），但某些操作（如 torch.linalg.cholesky）对输入有严格要求（正定），否则反向传播会崩溃。
- 如果只是推理，禁用梯度更省资源：
with torch.no_grad(): y = torch.linalg.inv(x) - 没有
inplace=True参数——所有torch.linalg函数返回新张量，原张量不变 - 输入含 NaN/Inf 时，
torch.linalg多数函数不会报错，但结果无效；建议前置检查：torch.isnan(x).any() or torch.isinf(x).any() - 奇异矩阵传给
torch.linalg.inv会返回全 NaN 张量，而不是抛异常；必要时先用torch.linalg.cond估条件数
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！
