标量与批量3x3矩阵逐元素乘法：无需两次unsqueeze的优化方案？

当然有更简洁的替代方案，不用两次调用unsqueeze。核心是利用PyTorch的广播机制，只需要把标量张量的形状从(10,)扩展为(10,1,1)，就能和(10,3,3)的矩阵张量完成逐元素相乘，以下是几种更优的实现方式：

方法1：Python索引语法（最简洁） #

直接用[:, None, None]添加维度，这是PyTorch支持的原生语法，效果等价于两次unsqueeze：

result = scalars[:, None, None] * tensors

每个None对应新增一个维度，一行代码完成维度扩展，写法更紧凑。

方法2：一次性调用unsqueeze指定多维度 #

unsqueeze支持传入元组参数，一次性批量添加多个维度，避免重复调用：

result = scalars.unsqueeze((1, 2)) * tensors

元组(1,2)表示在第1和第2个位置插入维度，一次操作完成形状转换。

方法3：view方法直接重塑形状 #

如果明确知道目标形状，用view直接指定最终维度，可读性更强：

result = scalars.view(batch_size, 1, 1) * tensors

这种方式清晰展示了形状变化的目标，适合需要明确标注维度的场景。

注意 #

以上方法都基于PyTorch的广播机制，不会额外复制数据，内存效率和原方案完全一致，但代码更简洁易读。

内容的提问来源于stack exchange，提问作者Mathieu