块状张量：张量在张量的额叶上

块状张量：张量在张量的额叶上

减少是

axis=1

针对

X

和

axis=0

进行的

tensor

，因此

np.tensordot

基于的解决方案将是-

np.tensordot(X,tensor, axes=([1],[0]))

说明：

让我们以迭代解决方案进行解释，并在其中进行第一次迭代：

output[:, :, 0] = X.dot(tensor[:, :, 0])

在点积中，第一个输入为

X

，其形状为

(N x N)

，第二个输入为

tensor[:, :, 0]

，这是沿最后一个轴的第一个切片，其形状为

(N xN

。这点积引起的沿第二轴线减少

X

，即，

axis=1

与沿着第一轴，即

axis=0

的

tensor[:, :,0]

，这也正好是整个阵列的第一轴线

tensor

。现在，这将在所有迭代中继续进行。因此，即使在大画面，我们需要做的是相同的：减少/丧失

axis=1

在

X

和

axis=0

张量，就像我们做！

---

整合@ hlin117的答案

np.tensordot(X,tensor, axes=([1],[0]))

定时：

>>> N = 200>>> tensor = np.random.rand(N, N, 30)>>> X = np.random.rand(N, N)>>> >>> %timeit np.tensordot(X, tensor, axes=([1], [0]))100 loops, best of 3: 14.7 ms per loop>>> %timeit np.tensordot(X, tensor, axes=1)100 loops, best of 3: 15.2 ms per loop