如何制作 2D 和 3D 矩阵的点积（每个维度分别取）答案

【问题标题】：How to make dot.product of 2D and 3D matrices (taking it for each dimension separately)如何制作 2D 和 3D 矩阵的点积（每个维度分别取）
【发布时间】：2019-06-26 12:05:34
【问题描述】：

我需要计算两个矩阵的点积。可能 tensordot 会完成这项工作，但是我正在努力找出确切的解决方案。

简单的选择

res = np.dot(x, fullkernel[:, :-1].transpose())

工作正常，其中 x 的形状为 (9999,)，fullkernel 的形状为 (980,10000)，res 的形状为 (1, 980)。

现在我需要用二维做类似的事情。因此，我的 x 现在具有形状 (9999, 2)，fullkernel (2, 980, 10000)。

从字面上看，我希望我的结果“res”是二维的，其中每一个都是一列 x 和一维全内核的点积。

【问题讨论】：

res、(2, 980) 或 (2, 2, 980) 的具体形状应该是什么？
嗨。感谢您的回复。我已经成功了一点，但还没有。现在我使用解决方案“res = np.dot(x.T, fullkernel[:, :-1, :])”，其中 x (9998,2) 和 fullkernel 是 (2,9999,980)，这给了我 res ( 2,2,980），这不是我想要的。因为(2,2.n)表示x的每一列都乘以fullkernel的每一维。我想得到形状 (2,1,980) 的 res，所以 x 的第一列乘以全内核的第一维，第二列乘以第二。

标签： python numpy matrix dot-product

【解决方案1】：

你可以这样做：

res = np.einsum('ki,ijk->ij', x, fullkernel[:, :, :-1])
print(res.shape)
# (2, 980)

如果您想在中间添加额外的单例维度，只需执行以下操作：

res = np.expand_dims(res, 1)

@ / np.matmul 的等效解决方案是：

res = np.expand_dims(x.T, 1) @ np.moveaxis(fullkernel[:, :, :-1], 2, 1)
print(res.shape)
# (2, 1, 980)

【讨论】：

完美。谢谢！