np.linalg.inv不支持批量矩阵求逆，因其仅接受2d输入，对(n,m,m)数组会报“expected 2d array, got 3d array”错误；应改用np.linalg.solve逐个求解或借助vectorize、torch.inverse等支持广播的方案。
为什么不能直接用 np.linalg.inv 处理批量矩阵
当你有一组形状为 (N, M, M) 的矩阵（比如 1000 个 3×3 矩阵），直接对整个数组调用 np.linalg.inv 会报错：LinAlgError: Expected 2D array, got 3D array instead。NumPy 的 np.linalg.inv 只接受二维输入，不支持广播式批量求逆。
用 np.linalg.solve 替代：更稳定也更快
批量求逆的本质是解 A_i @ X_i = I，即对每个 A_i 求其逆矩阵 X_i。用 np.linalg.solve 显式求解比先算逆再乘更数值稳定，也避免构造单位矩阵的内存开销。
实操建议：
- 对每个
i，调用np.linalg.solve(A[i], np.eye(M))—— 简单但慢（Python 循环） - 改用
np.vectorize包裹np.linalg.solve并指定signature='(m,m),(m)->(m,m)'，可启用 NumPy 的隐式广播（需 NumPy ≥ 1.20） - 更推荐：用
scipy.linalg.block_diag拼成大块对角矩阵再整体求逆（仅适用于小M、中等N） - 若
M固定且较小（如 2–4），手写解析公式（如 2×2 的(1/det) * [[d, -b], [-c, a]]）反而最快，无依赖、无分支、全向量化
使用 torch.inverse 或 jax.numpy.linalg.inv 的前提条件
如果你的场景允许引入额外依赖，PyTorch 和 JAX 原生支持 (..., M, M) 批量求逆：
-
torch.inverse(A)要求A是torch.Tensor且在 GPU 上时加速明显；但需注意：输入必须是非奇异的，否则抛出RuntimeError -
jax.numpy.linalg.inv(A)支持 JIT 编译和自动微分，但对A的 batch size 过大时可能触发 JIT 编译超时或显存爆炸 - 二者都不检查条件数，坏矩阵会导致结果不可靠，而 NumPy 的
np.linalg.inv至少会在单矩阵上抛出LinAlgError
自己实现批处理时最容易忽略的三个点
手动循环 + np.linalg.inv 看似简单，但实际部署常翻车：
- 忘记预检查奇异矩阵：用
np.linalg.det(A[i]) == 0不可靠（浮点误差），应改用np.linalg.cond(A[i]) > 1e15或捕获LinAlgError - 输出数组未预分配：边循环边
list.append()再np.stack()，会触发多次内存拷贝；应提前inv_A = np.empty_like(A) - 没设 dtype 一致性：输入是
float32却用默认float64求逆，不仅慢还可能溢出；务必传dtype=A.dtype给np.eye和求解器
批量矩阵求逆没有银弹——小规模手写公式，中等规模用 np.vectorize + solve，大规模且可换生态就上 JAX/PyTorch；但无论哪种，条件数监控和 dtype 对齐几乎总是被跳过的一步。
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！
