我正在尝试使用 3D 张量的正面切片执行矩阵乘法，如下所示。如果X.shape == (N, N), and Y.shape == (N, N, Y)，所得张量的形状应为(N, N, Y).
什么才是正确的np.tensordot语法来实现这个？
我试图限制自己np.tensordot， 并不是np.einsum，因为我想稍后将此解决方案翻译为 Theano。不幸的是，Theano 没有np.einsum尚未实施。
图形改编自这张纸关于张量乘法。 非tensordot答案相当于以下内容
tensor = np.random.rand(3, 3, 2)
X = np.random.rand(3, 3)
output = np.zeros((3, 3, 2))
output[:, :, 0] = X.dot(tensor[:, :, 0])
output[:, :, 1] = X.dot(tensor[:, :, 1])
减少幅度是随着axis=1 for X and axis=0 for tensor, thus np.tensordot基于的解决方案是 -
np.tensordot(X,tensor, axes=([1],[0]))
解释 ：
让我们以您的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，第一个输入是X，其形状为(N x N)第二个输入是tensor[:, :, 0]，这是沿最后一个轴的第一个切片，其形状为(N x N）。该点积导致沿第二轴的减少X, i.e. axis=1并沿着第一轴，即axis=0 of tensor[:, :, 0]，它也恰好是整个数组的第一个轴tensor。现在，这在所有迭代中都继续进行。因此，即使在大局中，我们也需要做同样的事情：减少/损失axis=1 in X and axis=0在张量中，就像我们一样！
整合@hlin117的答案
np.tensordot(X,tensor, axes=([1],[0]))
Timing:
>>> 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