对于小矩阵乘法而言，对于mkl优化的numpy似乎相当快，对于更高维的张量收缩来说它很慢。例如，使用诸如einsum之类的函数比循环通过高维复杂张量的二维子矩阵要慢得多：
complexarray = np.random.rand(2867, 100, 40) + 1j*np.random.rand(2867, 100, 40)
complexarray_cc = complexarray.conj()
%timeit np.einsum('ijk, ijm -> jkm', complexarray_cc, complexarray)
1个循环，最佳3：每循环2.45秒
%%timeit
tmp_product = np.zeros((100,40,40), dtype=complex)
for l in range(100):
tmp_product[l,:,:] = np.dot((complexarray_cc[:,l,:].T), complexarray[:,l,:])
10个循环，最佳3：120循环每个循环
看着
How to get faster code than numpy.dot for matrix multiplication?
和
Why is B = numpy.dot(A,x) so much slower looping through doing B[i,:,:] = numpy.dot(A[i,:,:],x) )?
描述了一个类似的问题，似乎数组太大而无法容纳到内存中，因此使用了一些慢速矩阵乘法例程。这可能就是这种情况吗？
天真地，我的方法是通过向量化的numpy /数组操作替换我的代码中的任何for循环。随着阵列变大，这似乎不是随意可扩展的。
是否没有其他选项来增加np.dot和类似操作的操作？或者重新说明：与在非常大的数组上使用numpy函数相比，建议在哪个点上循环使用较小的子数组？