size(A) 返回行列数：[rows, cols] = size(A) 双输出写法示例

1. 维度查询为何值得单独讨论

几乎所有 MATLAB 入门教程都会在第一章介绍 size，但极少有资料把它当作一个需要严肃对待的工程问题。原因在于，小规模脚本里 size(A) 的结果一目了然，误用也不会立刻报错。可一旦代码进入生产环境——处理三维医学影像、四维时空数据、批量化深度学习张量，或者被 MATLAB Coder 编译为 C/C++——维度查询的每一个细节都会被放大成 bug 或性能瓶颈。

笔者认为，size 之所以值得单独成文，是因为它处在三个关键交叉点上：语言语义（MATLAB 的“一切皆数组”哲学）、数值工程（内存布局与维度安全）、跨生态互操作（与 NumPy、Julia 的数据交换）。任何一个环节理解偏差，都会在系统集成时付出代价。

本文评述：MATLAB 官方文档对 size 的描述是“返回数组维度”，但这句简短定义背后隐藏着单输出/多输出分派、尾部单例维度省略、高维截断等一系列规则。把这些规则讲清楚，比记住语法本身重要得多。

本文的分析主线是：以双输出写法为锚点，把维度查询从“语法记忆”提升为“工程规范”。我们会先厘清语义，再暴露陷阱，然后给出可操作的编码路径，最后延伸到跨语言与前沿趋势。这条主线贯穿全文，每一节都服务于同一个目标——让维度查询成为代码可靠性的基石，而不是隐藏 bug 的温床。

2. size 函数的语义模型与双输出机制

2.1 MATLAB 的数组维度模型

MATLAB 中所有变量默认都是数组，标量是 1×1 数组，向量是 1×n 或 n×1 数组，矩阵是 m×n 数组，更高维则是 m×n×p×… 数组。这种“一切皆数组”的设计意味着维度信息是每个变量的固有属性，而非可选元数据。MATLAB 官方文档（MathWorks, 2024）明确指出，数组的维度数量由 ndims 给出，而每个维度的大小由 size 给出。

这里有一个容易被忽略的细节：MATLAB 数组的维度是“无限尾部单例”的。也就是说，一个 3×4 的矩阵，其第 3、4、5… 维的大小都是 1。这一设计使得 size(A, 5) 对 2 维矩阵不会报错，而是返回 1。本文评述：这种“尾部无限延伸”的语义是 MATLAB 与 NumPy 最本质的差异之一，也是跨语言移植时最容易踩坑的地方。

2.2 双输出写法的语法与分派

双输出写法 [rows, cols] = size(A) 是 MATLAB 中查询二维数组行列数的标准方式。其语义规则如下：

• 当 A 为二维数组时：rows = size(A,1)，cols = size(A,2)，行为直观。
• 当 A 为高维数组时：rows = size(A,1)，cols = size(A,2)，其余维度被忽略。这是官方文档明确说明的行为，但很多开发者并未意识到。
• 当 A 为标量时：rows = 1，cols = 1。
• 当 A 为空数组时：例如 zeros(0,5)，rows = 0，cols = 5。

从实现角度看，size 是一个支持可变输出参数的内置函数。当调用方请求两个输出时，MATLAB 解释器会走多输出分派路径；请求一个输出时，则返回一个行向量。这种“按输出个数分派”的机制是 MATLAB 语言的核心特性之一，也解释了为什么 s = size(A) 和 [r, c] = size(A) 会得到完全不同的结果形态。

2.3 指定维度查询：size(A, dim)

除了双输出，size(A, dim) 是另一种常用形式，返回第 dim 维的大小。当 dim 超过 ndims(A) 时，返回 1（尾部单例规则）。当 dim 为向量时，返回对应维度大小的向量。例如 size(A, [1 3]) 返回 [size(A,1), size(A,3)]。

笔者认为，在工程代码中，size(A, dim) 往往比双输出更安全，因为它显式指定了维度，不会因数组维度变化而静默截断。这一点在下一节会详细展开。

3. 单输出 vs 双输出：行为差异全解析

3.1 单输出返回行向量

单输出写法 sz = size(A) 返回一个 1×ndims(A) 的行向量。对于 2 维矩阵，sz 是 1×2；对于 3 维数组，sz 是 1×3。这一行为在 MATLAB R2019b 之后有细微调整：官方文档说明，对于空数组，单输出返回的向量长度可能因版本而异，建议用 size(A, dim) 显式查询。

一个常见误区是认为 size(A) 总是返回两个元素。实际上，对于 3 维数组它会返回三个元素，对于 N 维数组返回 N 个元素。如果代码里写了 sz = size(A); rows = sz(1); cols = sz(2);，在 A 是 3 维时不会报错，但语义上已经丢失了第三维信息。

3.2 双输出只取前两维

双输出写法 [rows, cols] = size(A) 的行为是：rows 取第 1 维，cols 取第 2 维，其余维度被丢弃。对于 2 维数组，这与单输出取前两个元素等价；对于高维数组，则是有意或无意的信息丢失。

数组 A	size(A)	[r,c]=size(A)	size(A,3)
rand(3,4)	[3 4]	r=3, c=4	1
rand(3,4,5)	[3 4 5]	r=3, c=4（丢失 5）	5
rand(3,4,5,6)	[3 4 5 6]	r=3, c=4（丢失 5,6）	5
zeros(0,5)	[0 5]	r=0, c=5	1

本文评述：这张表清楚展示了双输出写法在高维场景下的“静默截断”特性。它不会报错，不会警告，只是安静地丢掉第三维及之后的信息。对于处理三维医学影像（如 MRI 体数据）或四维时空数据的代码，这是极其危险的。

3.3 一个真实工程案例

假设有一个处理批量图像的函数，输入 A 的维度是 [height, width, channels, batch]。开发者写了：

[h, w] = size(A);
for i = 1:batch
    img = A(:, :, :, i);
    % 处理 img
end

这段代码在 A 是 2 维时能跑，在 A 是 4 维时 h 和 w 仍然正确（因为前两维确实是 height 和 width），但 batch 从何而来？如果 batch 是通过 size(A,4) 获取的，那没问题；如果是从别处传入的，就存在不一致风险。更隐蔽的 bug 是：当 A 意外变成 3 维（比如 batch 维度被 squeeze 掉），代码不会报错，但循环逻辑可能出错。

笔者认为，这类 bug 的根源在于把“二维思维”套用到高维数据上。双输出写法本身没有错，错的是在维度不确定的场景下使用它。

4. 高维数组下的隐式截断与陷阱

4.1 尾部单例维度省略

MATLAB 有一个重要规则：尾部单例维度会被省略。也就是说，zeros(3,4,1) 的 ndims 是 2 而不是 3，size 返回 [3 4] 而不是 [3 4 1]。这一规则在 R2019b 之前更为激进，之后官方调整了部分行为，但核心逻辑未变。

这一规则带来的陷阱是：如果代码依赖 ndims(A) 来判断数组维度，那么 zeros(3,4,1) 会被认为是 2 维。如果后续代码用 size(A,3) 查询第三维，会得到 1（尾部单例规则），而不是报错。这种“宽容”行为有时会掩盖逻辑错误。

4.2 squeeze 与维度塌缩

squeeze 函数会移除所有单例维度，这可能导致维度数量突变。例如 A = zeros(3,1,4)，squeeze 后变成 3×4 矩阵。如果代码在 squeeze 前后都用双输出 size，结果会从 [3,1] 变成 [3,4]（注意第二维从 1 变成 4），这可能导致后续索引越界或逻辑错误。

本文评述：squeeze 是一把双刃剑。它能让代码更简洁，但也让维度信息变得不稳定。在工程代码中，笔者建议慎用 squeeze，或者在使用后立即用 size 显式查询新维度并做断言。

4.3 空数组与 0×0 矩阵

空数组是另一个容易出问题的场景。zeros(0,5) 的 size 是 [0 5]，zeros(5,0) 的 size 是 [5 0]，[] 的 size 是 [0 0]。在循环或条件判断中，如果对空数组做 size(A,1) 得到 0，循环体不会执行，这通常是期望行为。但如果代码写的是 for i = 1:size(A,1)，当 size 返回 0 时，1:0 是空区间，循环不执行，这是安全的。

真正的问题在于 size(A) 对空数组的单输出行为。根据 MathWorks 文档，size([]) 返回 [0 0]，而 size(zeros(0,5)) 返回 [0 5]。如果代码用 sz = size(A); n = sz(1);，对 zeros(0,5) 会得到 n=0，这是对的。但如果 A 是 zeros(0,0,3)，size 返回 [0 0 3]，sz(1)=0，仍然正确。问题不大，但需要心里有数。

5. size 家族协同：length / numel / ndims / isrow / iscolumn

5.1 length 的歧义性

length(A) 返回 max(size(A))，即最长维度的大小。对于向量，它返回元素个数；对于矩阵，它返回行数和列数的较大者。这一行为在 MATLAB 官方文档中有明确说明，但在实际使用中经常造成困惑。

例如，length(zeros(3,4)) 返回 4，length(zeros(4,3)) 也返回 4。如果代码用 length 来判断“向量长度”，在矩阵输入下会得到意外结果。笔者认为，在现代 MATLAB 代码中，length 应该尽量避免使用，改用 numel（元素总数）或显式的 size(A, dim)。

5.2 numel：元素总数

numel(A) 返回数组元素总数，等价于 prod(size(A))。它在预分配内存、循环计数、线性索引等场景中非常有用。与 length 不同，numel 的语义是明确的，不会因数组形状而歧义。

5.3 ndims：维度数量

ndims(A) 返回数组的维度数量，等价于 length(size(A))。对于 2 维矩阵返回 2，对于 3 维数组返回 3。注意尾部单例维度不计入，所以 zeros(3,4,1) 的 ndims 是 2。

5.4 isrow / iscolumn / ismatrix / isvector

这些判断函数在维度安全编程中非常有用。isrow(A) 判断是否为行向量，iscolumn(A) 判断是否为列向量，ismatrix(A) 判断是否为二维数组，isvector(A) 判断是否为向量。它们比手动比较 size 更清晰，也更不容易出错。

函数	返回	推荐场景
size(A)	维度向量	需要完整维度信息时
size(A,dim)	第 dim 维大小	已知维度索引，最安全
[r,c]=size(A)	前两维大小	确定是二维数组时
length(A)	最长维度	尽量避免，语义模糊
numel(A)	元素总数	循环计数、预分配
ndims(A)	维度数量	维度分支判断

6. 工程编码规范与可操作路径

6.1 规范一：优先使用 size(A, dim)

在工程代码中，笔者建议优先使用 size(A, dim) 而非双输出。原因有三：第一，显式指定维度，意图清晰；第二，不会因数组维度变化而静默截断；第三，便于静态分析工具检查。

% 不推荐
[rows, cols] = size(A);

% 推荐
rows = size(A, 1);
cols = size(A, 2);

6.2 规范二：维度断言

在函数入口处对输入数组做维度断言，是防御性编程的核心手段。MATLAB 提供了 validateattributes 和 assert 两个工具。

function y = processImage(A)
    validateattributes(A, {'numeric'}, {'2d', 'nonempty'}, mfilename, 'A');
    [rows, cols] = size(A);
    % 后续处理
end

本文评述：validateattributes 的 '2d' 选项会强制要求输入是二维数组，如果传入三维数组会直接报错。这比事后调试维度 bug 要高效得多。

6.3 规范三：高维数据用 size(A, dim) 显式查询

处理三维及以上数组时，永远不要用双输出。应该显式查询每一维：

h = size(A, 1);
w = size(A, 2);
c = size(A, 3);
b = size(A, 4);  % 如果 A 是 3 维，返回 1

注意最后一行：如果 A 实际是 3 维，size(A,4) 返回 1 而不是报错。这是尾部单例规则的作用。如果代码逻辑要求 A 必须是 4 维，应该加断言：

assert(ndims(A) == 4, 'A must be 4-D');

6.4 规范四：避免 length

如前所述，length 的语义模糊，容易在矩阵输入下产生意外结果。在工程代码中，应该用 numel 或 size(A, dim) 替代。如果确实需要“向量长度”，应该先断言是向量：

assert(isvector(A), 'A must be a vector');
n = numel(A);

6.5 规范五：预分配用 numel

在循环中预分配数组时，用 numel 计算总元素数是最稳妥的：

n = numel(A);
result = zeros(n, 1);
for i = 1:n
    result(i) = someFunction(A(i));
end

这里用线性索引 A(i) 遍历所有元素，无论 A 是几维都成立。这是 MATLAB 数组编程的一个优雅之处。

7. 性能视角：JIT、GPU 与代码生成

7.1 JIT 加速下的 size 调用

MATLAB 的 JIT（Just-In-Time）编译器对 size 调用有专门优化。根据 MathWorks 工程师在 MATLAB Answers 上的公开说明，size 是内置函数，JIT 可以将其内联为对数组头信息的直接读取，开销极低。但这并不意味着可以随意在热循环中调用 size。

笔者认为，在性能敏感的代码中，应该把 size 调用提到循环外：

% 不推荐：每次循环都调用 size
for i = 1:size(A, 1)
    for j = 1:size(A, 2)
        B(i, j) = A(i, j) * 2;
    end
end

% 推荐：循环外查询一次
rows = size(A, 1);
cols = size(A, 2);
for i = 1:rows
    for j = 1:cols
        B(i, j) = A(i, j) * 2;
    end
end

虽然 JIT 可能自动优化第一种写法，但第二种写法更明确，也更容易被其他编译器（如 MATLAB Coder）优化。

7.2 GPU 数组的维度查询

对于 gpuArray，size 函数会返回主机端的内存值，不会触发 GPU 同步。这一点在 MathWorks 文档中有说明。但需要注意的是，如果数组是分布式数组（distributed），size 返回的是全局维度，而非本地分块维度。这在并行计算中是一个重要区别。

7.3 MATLAB Coder 与代码生成

当用 MATLAB Coder 将代码编译为 C/C++ 时，数组维度必须在编译期确定或通过动态内存管理。size 调用会被翻译为对维度变量的读取。如果代码中使用了双输出 size，Coder 会生成对应的两个变量；如果使用了 size(A, dim)，则生成单个变量。后者通常生成更紧凑的代码。

本文评述：在代码生成场景下，显式维度查询还有一个额外好处——便于 Coder 做维度推断和边界检查。双输出写法可能让 Coder 无法确定数组是否真的是二维，从而生成更保守（更慢）的代码。

8. 跨语言对比：NumPy / Julia / R 的维度查询设计

8.1 NumPy 的 shape 与 ndim

NumPy 中，A.shape 返回一个元组，A.ndim 返回维度数。与 MATLAB 不同，NumPy 没有“尾部单例无限延伸”的概念：一个 2 维数组的 shape 就是 (m, n)，访问 shape[2] 会抛 IndexError。这种设计更严格，但也更可预测。

NumPy 的 A.shape 是属性而非函数，访问开销极低。MATLAB 的 size 是函数调用，虽然 JIT 会优化，但语义上仍有差异。本文评述：NumPy 的设计哲学是“显式优于隐式”，MATLAB 则更偏向“宽容与便利”。两者各有取舍，但在跨语言移植时需要特别注意。

8.2 Julia 的 size 与 axes

Julia 中，size(A) 返回一个元组，size(A, dim) 返回指定维度大小。与 MATLAB 类似，Julia 也支持尾部单例维度，但行为更一致。Julia 还提供了 axes(A) 返回各维度的索引范围，这在编写泛型代码时非常有用。

Julia 的多重分派机制让 size 可以为自定义类型重载，这是 MATLAB 不具备的灵活性。笔者认为，Julia 在维度查询设计上吸收了 MATLAB 和 NumPy 的优点，同时通过类型系统提供了更强的表达能力。

8.3 R 的 dim 与 length

R 中，dim(A) 返回维度向量，length(A) 返回元素总数（注意与 MATLAB 的 length 不同！）。R 的 length 对矩阵返回元素总数，而非最长维度。这一差异在跨语言移植时是经典陷阱。

语言	维度查询	元素总数	尾部单例
MATLAB	size(A) / size(A,d)	numel(A)	支持
NumPy	A.shape	A.size	不支持
Julia	size(A) / size(A,d)	length(A)	支持
R	dim(A)	length(A)	部分支持

9. 前沿趋势与学术预判

9.1 张量化编程的维度抽象

随着深度学习框架（PyTorch、TensorFlow、JAX）的普及，张量化编程成为主流。这些框架普遍采用“命名维度”（named dimensions）或“爱因斯坦求和”（einsum）等抽象，减少对显式维度索引的依赖。例如，JAX 的 vmap 可以自动向量化函数，无需手动查询维度。

本文评述：这种趋势对 MATLAB 的维度查询模式提出了挑战。未来的数值计算代码可能越来越少地直接调用 size，而是通过更高层的抽象来表达维度语义。但底层实现仍然依赖 size 这样的基础函数，理解其语义依然重要。

9.2 自动微分与维度推断

自动微分（AD）系统需要跟踪数组维度以计算梯度。在 MATLAB 的深度学习工具箱中，dlarray 对象带有维度标签（如 'SSCB' 表示空间-空间-通道-批次），size 查询会返回这些标签对应的维度。这是维度查询从“数值”向“语义”演进的典型例子。

根据 MathWorks 2023 年发布的深度学习文档，dlarray 的维度标签机制可以自动处理维度排列和广播，减少手动 size 查询的需求。笔者认为，这是维度查询发展的一个重要方向：从“查询数值”到“查询语义”。

9.3 异构计算与维度一致性

在 CPU-GPU 异构计算中，数组可能在不同设备间迁移，维度信息需要保持一致。MATLAB 的 gpuArray 和 distributed 数组都维护维度元数据，size 查询不会触发数据传输。但随着数组规模增大，维度元数据的管理成本也在上升。

根据 NVIDIA 2024 年发布的 CUDA 编程指南，GPU 数组的维度信息通常存储在主机端，设备端内核通过参数获取。这与 MATLAB 的设计一致。本文评述：在异构计算场景下，维度查询的性能开销可以忽略，但维度一致性检查（如断言）可能成为瓶颈，需要谨慎使用。

9.4 代码生成与静态维度分析

MATLAB Coder 和 Embedded Coder 在代码生成时会做静态维度分析。如果代码中的 size 调用能被推断为常量，Coder 会生成更高效的代码。近年来，MathWorks 在 R2023b 和 R2024a 中增强了维度推断能力，支持更多动态维度场景。

笔者认为，静态维度分析是未来代码生成的核心竞争力。开发者编写代码时，应该尽量让维度信息显式化，便于工具推断。这也是本文推荐 size(A, dim) 而非双输出的原因之一。

10. 总结与行动清单

回到本文的起点：[rows, cols] = size(A) 是一个简洁的写法，但简洁背后隐藏着语义细节和工程风险。通过全文的分析，我们可以得出以下行动清单：

1. 明确数组维度：在函数入口用 validateattributes 或 assert 做维度断言。
2. 优先用 size(A, dim)：显式指定维度，避免静默截断。
3. 高维数据禁用双输出：三维及以上数组，逐维查询。
4. 避免 length：用 numel 或 size(A, dim) 替代。
5. 循环外查询维度：性能敏感代码中，把 size 调用提到循环外。
6. 跨语言移植时注意差异：MATLAB 的 length 与 R 的 length 语义不同。
7. 关注前沿抽象：dlarray 的维度标签、JAX 的 vmap 等新范式值得学习。

维度查询看似简单，实则是数值计算代码可靠性的基石。希望本文的分析能帮助读者在日常开发中少踩坑，写出更健壮的 MATLAB 代码。