Numpy中对应矩阵与向量批量点积实现及np.tensordot报错解决

关于 np.tensordot 能否实现需求 #

你尝试的tensordot写法无法实现需求，而且该方法本身也不适合做这类批量对应位置的矩阵乘法：

• 你第一种写法axes=([-2,-1],[-2,-1])要求两个数组的收缩轴长度严格匹配，但vectors的倒数第二个轴长度是3、倒数第一个轴长度是1，和matrices最后两个轴的长度(3,3)无法对应，直接触发形状不匹配报错。
• 第二种写法仅指定了matrices的收缩轴，默认取vectors的前两个轴做匹配，同样不符合形状要求。
• 即便硬调整参数实现需求，代码可读性和性能都远不如原生批量运算方法，没有使用必要。

推荐的Numpy原生高效实现 #

方法1：直接使用@运算符 / np.matmul #

这是最简洁的方案，Numpy高维数组使用@运算时，自动将最后两个维度视为矩阵/向量维度，前面的所有维度视为批量维度，要求批量维度形状匹配，正好符合你的需求：

import numpy as np

matrices = np.random.rand(4,3,3)
vectors = np.random.rand(4,3,1)

# 直接批量运算，结果形状为 (4,3,1)
result = matrices @ vectors
# 等价写法
# result = np.matmul(matrices, vectors)

可以通过以下代码验证和列表推导式结果完全一致：

dot_products = np.array([matrix @ vector for (matrix,vector) in zip(matrices,vectors)])
print(np.allclose(result, dot_products)) # 输出 True

方法2：使用np.einsum显式指定轴运算逻辑 #

如果需要更灵活的轴匹配规则，可以用einsum显式定义轴的对应和收缩逻辑：

result = np.einsum('ijk,ikl->ijl', matrices, vectors)

其中符号含义：

• i：批量维度，对应两个数组的第一个轴，长度为4
• k：要收缩的公共维度，对应matrices的第三个轴、vectors的第二个轴，长度为3
• 运算逻辑为对每个i，对k维度做乘积求和，保留i、j、l三个维度，最终输出形状为(4,3,1)，和预期一致。

内容的提问来源于stack exchange，提问作者Gustavo Stahl