使用numpy实现张量与向量的外积：维度匹配问题求助

要得到目标形状500x500x80的张量，核心是利用numpy的广播机制或np.einsum实现维度对齐，以下是两种可行方案：

方案1：广播机制实现 #

通过调整向量维度，让它和张量满足广播条件，再做元素乘法即可得到对应维度的外积矩阵：

import numpy as np

# 构造示例数据（替换为你的实际张量和向量）
A = np.random.rand(500, 1, 80)  # shape (500, 1, 80)
B = np.random.rand(500, 1)      # shape (500, 1)

# 将向量B变形为(1, 500, 1)，与A的维度满足广播规则
B_reshaped = B.reshape(1, 500, 1)

# 广播乘法得到目标张量
result = A * B_reshaped

# 验证形状
print(result.shape)  # 输出 (500, 500, 80)

原理：A的每个元素是A[i, 0, k]，B_reshaped的每个元素是B_reshaped[0, j, 0]，广播乘法后result[i, j, k] = A[i,0,k] * B[j,0]，正好对应第k个500x1向量与B的外积矩阵，最终堆叠成500x500x80的张量。

方案2：用np.einsum直接指定维度运算 #

np.einsum可通过下标直接定义运算规则，逻辑更直观：

import numpy as np

A = np.random.rand(500, 1, 80)
B = np.random.rand(500, 1)

# 下标规则：ijk对应A的(500,1,80)，lj对应B的(500,1)，输出ilk即(500,500,80)
result = np.einsum('ijk,lj->ilk', A, B)

print(result.shape)  # 输出 (500, 500, 80)

两种方案都能精准匹配所需维度，任选其一即可。

内容的提问来源于stack exchange，提问作者user619755