如果您引用的是python笔记本中使用Numpy库的一些代码，则@operator表示矩阵乘法。例如：

import numpy as np
def forward(xi, W1, b1, W2, b2):
    z1 = W1 @ xi + b1
    a1 = sigma(z1)
    z2 = W2 @ a1 + b2
    return z2, a1

实例

class Pizza(object):
    def __init__(self):
        self.toppings = []

    def __call__(self, topping):
        # When using '@instance_of_pizza' before a function definition
        # the function gets passed onto 'topping'.
        self.toppings.append(topping())

    def __repr__(self):
        return str(self.toppings)

pizza = Pizza()

@pizza
def cheese():
    return 'cheese'
@pizza
def sauce():
    return 'sauce'

print pizza
# ['cheese', 'sauce']

这表明，在装饰器之后定义的函数/方法/类基本上只是作为参数传递给@符号之后的函数/函数。

第一次目击

微框架Flask从一开始就以以下格式介绍装饰器：

from flask import Flask
app = Flask(__name__)

@app.route("/")
def hello():
    return "Hello World!"

这反过来又转化为：

rule      = "/"
view_func = hello
# They go as arguments here in 'flask/app.py'
def add_url_rule(self, rule, endpoint=None, view_func=None, **options):
    pass

意识到这一点，我终于可以和弗拉斯克和平相处了。

@符号还用于访问plydata/pandas数据帧查询pandas.dataframe.query中的变量。例子：

df = pandas.DataFrame({'foo': [1,2,15,17]})
y = 10
df >> query('foo > @y') # plydata
df.query('foo > @y') # pandas

“at”（@）符号在Python中做什么？

简而言之，它用于装饰器语法和矩阵乘法。

在decorator的上下文中，此语法：

@decorator
def decorated_function():
    """this function is decorated"""

相当于：

def decorated_function():
    """this function is decorated"""

decorated_function = decorator(decorated_function)

在矩阵乘法的上下文中，a@b调用a.__matmul__（b）-生成以下语法：

a @ b

相当于

dot(a, b)

and

a @= b

相当于

a = dot(a, b)

例如，其中dot是numpy矩阵乘法函数，a和b是矩阵。

你怎么能自己发现这一点？

我也不知道要搜索什么，因为搜索Python文档或Google在包含@符号时不会返回相关结果。

如果您想对特定的python语法有一个相当完整的视图，请直接查看语法文件。对于Python 3分支：

~$ grep -C 1 "@" cpython/Grammar/Grammar 

decorator: '@' dotted_name [ '(' [arglist] ')' ] NEWLINE
decorators: decorator+
--
testlist_star_expr: (test|star_expr) (',' (test|star_expr))* [',']
augassign: ('+=' | '-=' | '*=' | '@=' | '/=' | '%=' | '&=' | '|=' | '^=' |
            '<<=' | '>>=' | '**=' | '//=')
--
arith_expr: term (('+'|'-') term)*
term: factor (('*'|'@'|'/'|'%'|'//') factor)*
factor: ('+'|'-'|'~') factor | power

我们可以在这里看到@用于三种上下文：

装饰工因子之间的运算符增广赋值算子

Decorator语法：

在谷歌搜索“decorator python docs”时，最重要的结果之一是“python语言参考”的“复合语句”部分。向下滚动到函数定义部分，我们可以通过搜索单词“decorater”找到该部分，我们看到。。。有很多书要读。但单词“decorator”是词汇表的链接，它告诉我们：

室内装修设计师返回另一个函数的函数，通常使用@wrapper语法作为函数转换应用。常见的装饰器的示例有classmethod（）和staticmethod（（）。decorator语法只是语法糖，以下两个函数定义在语义上是等价的：定义f（…）：...f=静态方法（f）@静态方法定义f（…）：...类也存在相同的概念，但在那里不太常用。有关函数定义和类定义，请参阅文档了解有关装饰器的更多信息。

所以，我们看到了

@foo
def bar():
    pass

在语义上与：

def bar():
    pass

bar = foo(bar)

它们并不完全相同，因为Python使用decorator（@）语法在bar之前计算foo表达式（可以是点查找和函数调用），但在另一种情况下，在bar之后计算foo。

（如果这种差异对代码的含义产生了影响，你应该重新考虑你的生活，因为这是病态的。）

堆叠式装饰器

如果我们回到函数定义语法文档，我们会看到：

@f1（参数）@f2（f2）def func（）：传递大致相当于def func（）：传递函数=f1（参数）（f2（函数））

这是一个演示，我们可以首先调用一个装饰器函数，以及堆栈装饰器。在Python中，函数是第一类对象，这意味着您可以将函数作为参数传递给另一个函数，并返回函数。装饰师同时做这两件事。

如果我们堆叠装饰器，那么函数（如定义的那样）首先传递给紧挨着它上面的装饰器，然后传递给下一个，依此类推。

这个about总结了装饰器上下文中@的用法。

操作员@

在语言参考的词法分析部分，我们有一个关于运算符的部分，其中包括@，这使它也是一个运算符：

以下标记是运算符：+ - * ** / // % @<< >> & | ^ ~< > <= >= == !=

在下一页的数据模型中，我们有模拟数字类型一节，

对象__添加__（自己，其他）对象__sub__（自己，其他）对象__多__（自己，其他）对象__matmul__（自己，其他）对象__truediv__（自己，其他）对象__floordiv__（自己，其他）[...]调用这些方法来实现二进制算术运算（+，-，*，@，/，//，[…]

我们看到__matmul__对应于@。如果我们在文档中搜索“matmul”，我们会在标题“PEP465-用于矩阵乘法的专用中缀运算符”下找到Python 3.5新增内容的链接。

它可以通过定义__matmul__（）、__rmatmul__（）和__imatmul__（）用于正则、反射和就地矩阵乘法。

（现在我们了解到@=是就地版本）。它进一步解释了：

矩阵乘法在许多领域中是一种非常常见的运算数学、科学、工程以及@allows的添加编写清洁器代码：S=（H@beta-r）.T@inv（H@V@H.T）@（H@beta-r）而不是：S＝点（（点（H，β）-r）.T，dot（inv（dot（点（H，V），H.T）），dot（H，beta）-r））

虽然这个运算符可以重载，几乎可以做任何事情，例如，在numpy中，我们可以使用这个语法来计算数组和矩阵的内积和外积：

>>> from numpy import array, matrix
>>> array([[1,2,3]]).T @ array([[1,2,3]])
array([[1, 2, 3],
       [2, 4, 6],
       [3, 6, 9]])
>>> array([[1,2,3]]) @ array([[1,2,3]]).T
array([[14]])
>>> matrix([1,2,3]).T @ matrix([1,2,3])
matrix([[1, 2, 3],
        [2, 4, 6],
        [3, 6, 9]])
>>> matrix([1,2,3]) @ matrix([1,2,3]).T
matrix([[14]])

就地矩阵乘法：@=

在研究先前的用法时，我们了解到还有原地矩阵乘法。如果我们尝试使用它，我们可能会发现它尚未为numpy实现：

>>> m = matrix([1,2,3])
>>> m @= m.T
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: In-place matrix multiplication is not (yet) supported. Use 'a = a @ b' instead of 'a @= b'.

当它实现时，我希望结果如下：

>>> m = matrix([1,2,3])
>>> m @= m.T
>>> m
matrix([[14]])

用不同的方式来表达别人的想法：是的，这是一个装饰师。

在Python中，它类似于：

创建函数（在@call下面）调用另一个函数对创建的函数进行操作。这将返回一个新函数。您调用的函数是@的参数。用返回的新函数替换定义的函数。

这可以用于各种有用的事情，因为函数是对象，只是必要的指令。

在Python 3.5中，可以将@重载为运算符。它被命名为__matmul__，因为它被设计用于矩阵乘法，但它可以是任何你想要的。详见PEP465。

这是矩阵乘法的简单实现。

class Mat(list):
    def __matmul__(self, B):
        A = self
        return Mat([[sum(A[i][k]*B[k][j] for k in range(len(B)))
                    for j in range(len(B[0])) ] for i in range(len(A))])

A = Mat([[1,3],[7,5]])
B = Mat([[6,8],[4,2]])

print(A @ B)

此代码产生：

[[18, 14], [62, 66]]