PyTorch中4×1矩阵与单元素变量相乘报错，求解决方案

嘿，我来帮你搞定这个问题！你遇到的错误主要有两个原因：类型不匹配和张量维度没对齐——你现在是直接拿PyTorch的Variable去和numpy数组相乘，这俩类型不兼容；另外初始的a形状是一维的(1,)，和你的4×1数组相乘时，广播逻辑可能不会按你预期的执行。

具体解决方案 #

下面是修正后的代码，能完美实现你想要的效果：

import torch
from torch.autograd import Variable
import numpy as np

# 第一步：把numpy数组转换成PyTorch张量，再包装成Variable
x = np.transpose(np.array([[1, 2, 3, 4]]))
# 转成float类型张量（和a的类型保持一致），再转成Variable
x_var = Variable(torch.from_numpy(x).float())

# 定义可训练的Variable
a = Variable(torch.rand(1), requires_grad=True)

# 现在可以正常相乘了，PyTorch的广播机制会自动把a扩展到匹配x_var的形状
result = a * x_var
print(result)

# 验证a=2时的结果
a.data.fill_(2)
print(a * x_var)

关键细节解释 #

1. 类型统一：PyTorch的Variable只能和同类型的张量/Variable运算，所以必须先把numpy数组x转换成PyTorch张量，再包装成Variable。
2. 形状与广播：a初始形状是(1,)，x_var是(4,1)，PyTorch的广播规则会自动把a扩展成(4,1)的形状，实现逐元素相乘，最终得到你想要的[[2],[4],[6],[8]]。如果想更明确控制形状，也可以用a = a.view(1,1)把a改成二维的，效果完全一样。

适配新版本PyTorch（0.4+） #

如果你用的是较新的PyTorch版本，Variable已经被整合到张量中了，直接用带requires_grad=True的张量即可：

import torch
import numpy as np

x = np.transpose(np.array([[1, 2, 3, 4]]))
x_tensor = torch.from_numpy(x).float()

a = torch.rand(1, requires_grad=True)
result = a * x_tensor
print(result)

# 设置a=2
a.data.fill_(2)
print(a * x_tensor)

内容的提问来源于stack exchange，提问作者이승훈