我试图制作像numpy.inner这样的函数，但它会对两个数组的第一个轴而不是最后一个轴求和。目前我正在tensordot使用rollaxis：
def inner1(a, b):
return numpy.tensordot(numpy.rollaxis(a, 0, len(a.shape)), b, 1)
但我想知道：有更好的方法吗？或许不需要我滚动轴？
我觉得einsum应该可以做到这一点，但我不确定如何在这里使用它。
当我指定下标字符串时，似乎要求我对a和b的维度进行硬编码，因为输入维度没有特别要求，所以我无法在此处执行此操作。
（注意：我 意识到在第一个轴而不是最后一个轴上进行求和存在性能影响，但我在这里忽略它们。）
答案 0 :(得分：2)
我认为你想要的是np.tensordot(a, b, (0, 0))。
答案 1 :(得分：1)
这与tensordot解决方案不同，但您可以从输入的einsum构建ndim字符串：
ll = 'abcdefghijklmnopqrstuvw'
astr = ll[0]+ll[1:a.ndim]+','+ll[0]+ll[a.ndim:a.ndim+b.ndim-1]
np.einsum(astr,a,b)
np.einsum允许您将轴指定为列表而不是字符串
np.einsum(a, [0]+range(1,a.ndim), b, [0]+range(a.ndim,a.ndim+b.ndim-1))
对于一对3d和2d数组，它们产生：
np.einsum('abc,ad', a, b)
np.einsum(a, [0,1,2], b, [0,3])
'...'在这里不起作用，因为这意味着重复的轴（在可能的范围内），你想要唯一的轴（第一个除外）。
虽然编写起来比较麻烦，einsum解决方案比tensordot解决方案快（对于小型测试阵列来说快3倍）。
einsum的另一个选项是重塑阵列，减少剩余的数据。尺寸降至一。这为计算增加了一些时间，但不是很多：
np.einsum('ij,ik',a.reshape(a.shape[0],-1), b.reshape(a.shape[0],-1)).reshape(a.shape[1:]+b.shape[1:])