因为无信通信中经常用到复数的乘法，pytorch中又没有现成的处理方式，自己懒得写，就在网上搜了下好心人分享的资料。确实是正确的。但是作者采用循环的方式，在处理大批量数据的时候非常慢，我对几十万复数的数据集执行操作时花了好几分钟才完成，故进行改动。改为矩阵处理后，瞬间就可以出结果。并不是什么有难度的操作，只是记录下以后方便使用。

代码如下：

H1 = torch.randn(3,2)  // 3代表数据的数量，选取小的数易于观察，2代表复数，分别是实部和虚部
H2 = torch.randn(3,2)  
print('H1',H1)
print('H2',H2)
def complexMulti(a,b):   // 循环的方式
    r = a.shape[0]
    c = torch.zeros([r,2])
    for i in range(r):
        c[i,0] = a[i,0]*b[i,0]-a[i,1]*b[i,1]
        c[i,1] = a[i,0]*b[i,1]+a[i,1]*b[i,0]
    return c

def complexMulti_1(a,b):   // 矩阵处理
    r = a.shape[0]
    c = torch.zeros([r,2])
    c[:,0] = a[:,0]*b[:,0]-a[:,1]*b[:,1]
    c[:,1] = a[:,0]*b[:,1]+a[:,1]*b[:,0]
    return c
y = complexMulti(H1,H2)
print('y',y)
y1 = complexMulti_1(H1,H2)
print('y1',y1)

结果如下：

H1 tensor([[-1.0672, -0.9281],
        [ 0.6703,  0.3585],
        [ 0.5990, -1.3287]])
H2 tensor([[-0.1537,  1.3645],
        [ 1.0352,  0.5920],
        [-0.9543, -0.8222]])
y tensor([[ 1.4305, -1.3135],
        [ 0.4817,  0.7680],
        [-1.6641,  0.7754]])
y1 tensor([[ 1.4305, -1.3135],
        [ 0.4817,  0.7680],
        [-1.6641,  0.7754]])

与python的复数乘法比较：

x = -1.0672-0.9281j
y = -0.1537+1.3645j
print(x * y)

(1.43042109-1.31354543j)

参考的文章如下：

https://blog.csdn.net/Stephanie2014/article/details/105984274