固定尺寸张量的Mahalanobis距离函数简化及C++改写需求

问题定位 #

你遇到的mat1 and mat2 shapes cannot be multiplied (42x42 and 45x42)错误，核心是矩阵乘法维度不匹配：42×42的协方差逆矩阵bL无法直接与45×42的样本矩阵bx相乘，马氏距离的计算需要遵循维度匹配的运算逻辑。

最简PyTorch实现（适配固定尺寸） #

假设bx是45×42的中心化样本矩阵（每行对应一个42维样本），bL是42×42的协方差逆矩阵，通过两步运算即可得到长度为45的1D张量：

import torch

def fixed_mahalanobis(bL: torch.Tensor, bx: torch.Tensor) -> torch.Tensor:
    # 第一步：样本矩阵与协方差逆矩阵相乘，得到(45,42)中间张量
    intermediate = bx @ bL
    # 第二步：每行与原样本行逐元素相乘后求和，得到每个样本的平方马氏距离
    mahalanobis_sq = torch.sum(intermediate * bx, dim=1)
    return mahalanobis_sq

该实现完全规避维度错误，且因尺寸固定，无需处理通用批量逻辑，比PyTorch源码中的_batch_mahalanobis更简洁。

对应C++实现思路（固定尺寸优化） #

由于尺寸固定为42和45，可手写循环实现，避免通用矩阵库的额外开销：

1. 定义输入数组：float bL[42][42]（协方差逆）、float bx[45][42]（样本）
2. 定义输出数组：float result[45]
3. 逐样本计算：先求样本与协方差逆的乘积，再计算该乘积与原样本的点积，得到平方马氏距离

核心代码片段：

void fixed_mahalanobis(float bL[42][42], float bx[45][42], float result[45]) {
    for (int i = 0; i < 45; ++i) {
        float intermediate[42] = {0.0f};
        // 计算bx[i]与bL的矩阵乘积
        for (int j = 0; j < 42; ++j) {
            for (int k = 0; k < 42; ++k) {
                intermediate[j] += bx[i][k] * bL[k][j];
            }
        }
        // 计算中间张量与原样本的点积，得到平方马氏距离
        float dist_sq = 0.0f;
        for (int j = 0; j < 42; ++j) {
            dist_sq += intermediate[j] * bx[i][j];
        }
        result[i] = dist_sq;
    }
}

若需实际马氏距离，只需在最后对dist_sq取平方根即可。

内容的提问来源于stack exchange，提问作者Ant