在NumPy中实现二维矩阵与三维向量数组的乘法操作

首先修正你代码里的语法错误：T = np.zeros(shape=(d, d)) 缺少右括号，否则会触发语法报错。

要实现沿第三个轴对每个d×1矩阵执行d×d矩阵乘法，最终得到d×1×n的结果，以下是几种高效的向量化解法：

方法1：使用np.einsum（最直观） #

np.einsum可以明确指定维度的收缩逻辑，完美匹配你的需求：

import numpy as np

k = 2
s = 36
d = k + s - 1
n = 1119

T = np.zeros(shape=(d, d))
alpha_filt = np.zeros(shape=(d, 1, n))

# 核心代码
result = np.einsum('ij,jkn->ikn', T, alpha_filt)
# result.shape 为 (d, 1, n)，符合预期

解释：'ij,jkn->ikn'表示：

• T的维度对应i×j（即d×d）
• alpha_filt的维度对应j×k×n（即d×1×n）
• 收缩j维度，最终得到i×k×n（即d×1×n）的结果

方法2：使用np.matmul配合维度调整 #

通过reshape将三维矩阵转为二维，完成乘法后再恢复维度结构：

# 将alpha_filt从(d,1,n)转为(d,n)，执行矩阵乘法后转回(d,1,n)
result = (T @ alpha_filt.reshape(d, n)).reshape(d, 1, n)

解释：alpha_filt.reshape(d, n)把每个d×1的列向量拼接成d×n矩阵，T @ ...得到d×n的结果，最后通过reshape恢复为(d,1,n)的三维结构。

方法3：利用广播扩展T的维度 #

将T扩展为(d,d,1)，让numpy自动沿第三个轴广播，完成批量乘法：

result = T[:, :, np.newaxis] @ alpha_filt

解释：T[:, :, np.newaxis]把T从(d,d)转为(d,d,1)，和alpha_filt的(d,1,n)做矩阵乘法时，numpy会自动广播，对每个n维度的元素执行d×d × d×1的乘法，最终得到(d,1,n)的结果。

以上方法都比apply_along_axis或apply_over_axes高效，因为它们都是向量化操作，避免了循环带来的性能损耗。

内容的提问来源于stack exchange，提问作者MKJ