在NumPy中进行矩阵乘法时，推荐新代码优先使用`@`操作符或`np.matmul`而非`np.dot`——前者专为矩阵乘法设计，语义清晰、行为可预测：严格作用于最后两轴、天然支持批量广播（如Transformer中的batch矩阵乘），避免`dot`在高维数组中隐式降维、一维向量处理不一致等易被忽视的bug；尽管三者在二维场景下结果相同，但`@`写法更简洁、意图更明确，且底层性能无差异，真正提升的是代码可读性、调试效率与长期可维护性。

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)
这三者结果相同，形状都是 (2, 4)
C1 = A @ B
C2 = np.matmul(A, B)
C3 = np.dot(A, B)  # 此时也对，因为都是二维
但换成三维 batch：
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)
np.dot(X, Y) ❌ 报错：operands could not be broadcast together

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。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《NumPy矩阵乘法怎么算？》文章吧，也可关注golang学习网公众号了解相关技术文章。