如何理解PyTorch中一维张量的方向？

先明确核心结论：PyTorch中的一维张量（shape如(3,)）既不是行向量也不是列向量，它是无明确方向的一维数值序列，其在矩阵乘法中的行为是运算规则层面的自动适配。

针对你的例子解析 #

你定义的张量：

a = torch.tensor([1,2])  # shape: (2,)
b = torch.tensor([3,4])  # shape: (2,)
c = b.view(2,1)          # shape: (2,1)

执行a @ b == a @ c返回True的原因：

• a @ b：PyTorch自动将左侧的一维张量a适配为行向量（shape (1,2)），右侧的一维张量b适配为列向量（shape (2,1)），计算矩阵乘法得到标量1*3 + 2*4 = 11。
• a @ c：a依然被适配为行向量(1,2)，c是明确的二维列向量(2,1)，矩阵乘法(1,2) @ (2,1)同样得到标量11，因此两者结果相等。

你的疑问解答 #

1. 一维张量的方向是纵向还是横向？
   都不是。一维张量只有一个维度，没有行、列的方向属性，只有二维及以上的张量才有明确的行/列维度区分。

2. shape(3)与shape(3,1)是否等同？
   完全不等同。shape(3,)是一维张量，shape(3,1)是二维张量（3行1列的列向量），两者的维度数量（ndim）不同，在广播、索引等运算中的行为也存在差异，仅能通过.view()或.unsqueeze()进行维度转换。

3. shape(3)可视为shape(3,1)或shape(1,3)？
   这是运算规则下的临时适配，而非张量本身的属性：

   • 当一维张量处于矩阵乘法@的左侧时，会被自动处理为行向量（shape (1, N)）；
   • 当一维张量处于@的右侧时，会被自动处理为列向量（shape (N, 1)）。
     这种适配不会改变张量本身的shape和维度数量，仅作用于当前运算过程。

补充验证示例 #

尝试执行b @ a，结果为tensor(11)（此时b被适配为行向量，a为列向量）；但执行c @ a会直接报错，因为c是(2,1)的二维张量，a是(2,)的一维张量，不满足矩阵乘法“前一个张量的列数等于后一个张量的行数”的规则，这也能直观体现一维张量的适配逻辑。

内容的提问来源于stack exchange，提问作者En Xie