我对 numpy 的广播规则有点困惑。假设您想要执行更高维度数组的轴方向标量积以将数组维度减少一（基本上是沿一个轴执行加权求和）：
from numpy import *
A = ones((3,3,2))
v = array([1,2])
B = zeros((3,3))
# V01: this works
B[0,0] = v.dot(A[0,0])
# V02: this works
B[:,:] = v[0]*A[:,:,0] + v[1]*A[:,:,1]
# V03: this doesn't
B[:,:] = v.dot(A[:,:])
为什么 V03 不起作用？
干杯
np.dot(a, b)在a 的最后一个轴和 b 的倒数第二个轴上运行。因此，对于您问题中的特定情况，您可以随时选择：
>>> a.dot(v)
array([[ 3., 3., 3.],
[ 3., 3., 3.],
[ 3., 3., 3.]])
如果要保持v.dot(a)顺序，则需要使轴就位，这可以通过以下方式轻松实现np.rollaxis：
>>> v.dot(np.rollaxis(a, 2, 1))
array([[ 3., 3., 3.],
[ 3., 3., 3.],
[ 3., 3., 3.]])
我不太喜欢，除非是为了明显的矩阵或向量乘法，因为在使用可选参数np.dot时对输出dtype非常严格。outJoe Kington 已经提到过它，但如果你要做这类事情，请习惯np.einsum：一旦你掌握了语法，它就会将你花在重塑事物上的时间减少到最低限度：
>>> a = np.ones((3, 3, 2))
>>> np.einsum('i, jki', v, a)
array([[ 3., 3., 3.],
[ 3., 3., 3.],
[ 3., 3., 3.]])
并不是说它在这种情况下太相关，但它也快得离谱：
In [4]: %timeit a.dot(v)
100000 loops, best of 3: 2.43 us per loop
In [5]: %timeit v.dot(np.rollaxis(a, 2, 1))
100000 loops, best of 3: 4.49 us per loop
In [7]: %timeit np.tensordot(v, a, axes=(0, 2))
100000 loops, best of 3: 14.9 us per loop
In [8]: %timeit np.einsum('i, jki', v, a)
100000 loops, best of 3: 2.91 us per loop
tensordot在这种特殊情况下，您也可以使用,。
import numpy as np
A = np.ones((3,3,2))
v = np.array([1,2])
print np.tensordot(v, A, axes=(0, 2))
这产生：
array([[ 3., 3., 3.],
[ 3., 3., 3.],
[ 3., 3., 3.]])
axes=(0,2)表示tensordot应该对 中的第一个轴和v中的第三个轴求和A。（还可以查看einsum，它更灵活，但如果您不习惯这种符号，则更难理解。）
如果tensordot考虑速度，则比apply_along_axes用于小型阵列要快得多。
In [14]: A = np.ones((3,3,2))
In [15]: v = np.array([1,2])
In [16]: %timeit np.tensordot(v, A, axes=(0, 2))
10000 loops, best of 3: 21.6 us per loop
In [17]: %timeit np.apply_along_axis(v.dot, 2, A)
1000 loops, best of 3: 258 us per loop
（由于持续的开销，对于大型阵列，差异不太明显，但tensordot始终更快。）
你可以用numpy.apply_along_axis()这个：
In [35]: np.apply_along_axis(v.dot, 2, A)
Out[35]:
array([[ 3., 3., 3.],
[ 3., 3., 3.],
[ 3., 3., 3.]])
我认为V03不起作用的原因是它没有什么不同：
B[:,:] = v.dot(A)
即它试图计算沿最外轴的点积A。