Python 沿阵列轴的矩阵向量乘法

在当前项目中，我有一个大的多维形状数组（I，J，K，N）和一个dim N的方阵

我需要对数组的最后一个轴和平方矩阵进行矩阵向量乘法

因此，显而易见的解决办法是：

for i in range(I):
    for j in range(J):
        for k in range(K):
            arr[i,j,k] = mat.dot(arr[i,j,k])

但这当然是相当缓慢的。所以我也尝试了numpy的tensordot，但几乎没有成功。 我预计会出现以下情况：

arr = tensordot(mat,arr,axes=((0,1),(3))) 

应该这样做，但我得到一个形状不匹配的错误

有人有更好的解决方案或知道如何正确使用tensordot吗

---

谢谢大家!

我认为您的for循环是错误的，对于这种情况，

dot

似乎就足够了：

# a is your IJKN
# b is your NN
c = dot(a, b)

这里的

c

将是一个

IJKN

数组。如果要在最后一个维度上求和以获得

IJK

数组：

arr = dot(a,b).sum(axis=3)

---

但我不确定这是否是您想要的…

这应该和您的循环一样，但是使用矢量化循环：

from numpy.core.umath_tests import matrix_multiply

arr[..., np.newaxis] = matrix_multiply(mat, arr[..., np.newaxis])

---

matrix\u multiply

及其姐妹

inner1d

是numpy的隐藏、未记录的瑰宝，尽管一整套线性代数gufuncs应该能从numpy 1.8中看到光明

matrix_multiply

对其输入的最后两个维度执行矩阵乘法，并对其余维度执行广播。唯一棘手的部分是设置一个额外的维度，这样它在相乘时可以看到列向量，并在赋值时将其添加回数组，这样就不会出现形状不匹配。

谢谢，这就是我在多个向量上进行矩阵相乘所需的。我使用了

xyzRot=matrix\u multiply（rot，xyz[…，np.newaxis]）。重塑（xyz.shape）

其中

rot

是一个

（3,3）

旋转矩阵，

xyz

是一个形状向量数组

（n，3）

。非常有用！