当然可以用你提到的方法实现，而且这才是加权平均的标准计算逻辑，和torch.mul(A, W).mean(1)有着本质区别，我来给你拆解清楚：

为什么你的方法是对的？ #

先理清楚张量的运算逻辑：

• 张量A是(C, H)，对应H个空间位置的C维特征；权重W是(H)，PyTorch的torch.mul会自动广播W到(C, H)的形状，和A逐元素相乘得到Z（形状还是(C, H)）。
• 对Z在dim=1（也就是空间位置维度）求和，得到的是每个特征维度的加权总和，形状为(C)。
• 最后除以权重W的总和，就得到了每个特征维度的加权平均值——这完全贴合加权平均的定义：每个空间位置的贡献由对应权重W决定，最终均值是加权总和除以权重的总权重。

和torch.mul(A, W).mean(1)的区别 #

torch.mul(A, W).mean(1)其实是对加权后的Z做算术平均，也就是除以空间位置的数量H，而不是权重的总和。只有当W的总和恰好等于H时（比如W全为1），这两种方法的结果才会一致；但如果W是任意权重（比如归一化后的权重、或者不同位置权重差异较大），两者的结果会完全不同——显然你的方法才是真正的加权平均。

代码示例验证 #

import torch

# 构造测试张量
C, H = 3, 4
A = torch.randn(C, H)  # 3维特征，4个空间位置
W = torch.rand(H)       # 4个位置的随机权重

# 你的加权平均方法
Z = torch.mul(A, W)
weighted_avg = torch.sum(Z, dim=1) / torch.sum(W)

# 对比错误的算术平均方法
wrong_avg = torch.mul(A, W).mean(1)

print("加权平均值：", weighted_avg)
print("错误的算术平均结果：", wrong_avg)
print("权重总和：", torch.sum(W))

如果你的权重W已经是归一化后的权重（也就是torch.sum(W) == 1），那直接对Z做torch.sum(Z, dim=1)就可以得到加权平均，不需要再除以权重总和，这一步可以简化。

内容的提问来源于stack exchange，提问作者singa1994