使用单一

试试np.einsum（documentation）。如果你想知道更多关于np.einsum是如何工作的，那么看看这个old answer of mine，它分解了它是如何工作的-

np.einsum('ij,ijk->ik',a,b)

array([[1. , 2.5, 1. ],
       [2.4, 1. , 2.4]])

使用广播

上述einsum等效于以下multiply->reduce->transpose
注意：a[:,:,None]在矩阵a上增加了一个额外的轴，使得（2，2）-〉（2，2，1）。这使得它可以在b的运算中广播，b的形状为（2，2，3）。

(a[:,:,None]*b).sum(1)

array([[1. , 2.5, 1. ],
       [2.4, 1. , 2.4]])

使用Tensor点

查看Tensor点文档here

np.tensordot(a,b, axes=[1,1]).diagonal().T

array([[1. , 2.5, 1. ],
       [2.4, 1. , 2.4]])

相对较新的matmul是为了处理这样的“批处理”操作而设计的，3维中的第一个是批处理维，所以我们必须将a调整为3d。

In [156]: a = np.array([[0.5, 0.5],
     ...:            [0.6, 0.4]])
     ...: 
     ...: b = np.array([[[1, 2, 1],
     ...:             [1, 3, 1]],
     ...: 
     ...:            [[2, 1, 2],
     ...:             [3, 1, 3]]])
In [157]: (a[:,None]@b)[:,0]
Out[157]: 
array([[1. , 2.5, 1. ],
       [2.4, 1. , 2.4]])

用简单的术语来说

np.einsum('ilj,ijk->ik',a[:,None],b)

具有添加的l维度（其稍后从结果中移除）