Python中Numpy两个矩阵部分维度相乘，有没有很快的方法？
例如，有两个三维矩阵 m1，m2，shape 都是 (10000, 2, 2)
m1 = array([x1, x2, ..., x9999])
m2 = array([y1, y2, ..., y9999])
xn, yn 都是 2x2 的矩阵。
希望得到的结果是：
res = array([dot(x1, y1), dot(x2, y2), ..., dot(x9999, y9999)])
目前我试过最快的方法是 map（循环、列表推导都试过，numpy.vectorize 没成功），但感觉还是不够快。各位有没有更好的方法？
Python中Numpy两个矩阵部分维度相乘，有没有很快的方法？
帖子没给具体例子，我猜你是想对两个矩阵的某些维度做逐元素乘，而不是矩阵乘。比如一个形状是 (a, b, c) 的矩阵 A 和一个形状是 (b, c) 的矩阵 B，你想让 B 自动广播到 A 的后两个维度上做乘法。
用 numpy 的广播机制就行，这是最快的方法。B 的形状 (b, c) 会被自动视为 (1, b, c)，然后扩展成 (a, b, c) 和 A 逐元素相乘。代码很简单：
import numpy as np
# 假设 A 是 3维，B 是 2维，想让B广播到A的后两维
A = np.random.randn(10, 20, 30)
B = np.random.randn(20, 30)
# 直接乘，numpy自动处理广播
C = A * B
print(C.shape) # 输出 (10, 20, 30)
如果维度不对齐，比如 B 是 (a, c) 但你想和 A 的中间维度 b 相乘，就需要用 np.expand_dims 调整一下维度再广播：
# 另一种情况：B 形状 (a, c)，想和A的中间维度b相乘？
A = np.random.randn(10, 20, 30)
B = np.random.randn(10, 30) # 注意第一维和A相同，但没有中间维度b
# 把B中间加一个维度，变成 (10, 1, 30)，然后广播到 (10, 20, 30)
B_expanded = B[:, np.newaxis, :]
C = A * B_expanded
print(C.shape) # 输出 (10, 20, 30)
核心就是利用广播，这是 numpy 底层优化过的，速度最快。搞不清楚维度对齐的时候，就 np.newaxis 或者 reshape 调整一下。
总结：用广播机制。
https://software.intel.com/en-us/articles/numpyscipy-with-intel-mkl
试试这个，再不行就只能用 Matlab 了，不要尝试手写 cpp，几乎不可能比 MKL 更快的了
不知道是不是我理解的有问题，numpy.matmul 是可以实现多个矩阵对应元素相乘的。
按照我对 lz 的描述的理解，直接 np.matmul(m1, m2) 就可以达到目的。
https://docs.scipy.org/doc/numpy/reference/generated/numpy.matmul.html
If either argument is N-D, N > 2, it is treated as a stack of matrices residing in the last two indexes and broadcast accordingly.
意思是，如果输入大于 2d，会当做矩阵的数组 /矩阵…
所以直接乘就行了
加上 vectorize 的：
In [28]: def mydot(a, b):
…: return np.dot(a,b)
…:
…:
In [29]:
In [29]: vmydot = np.vectorize(mydot, signature=’(n,m),(m,n)->(n,n)’)
In [30]: e = vmydot(a, b)
In [31]: np.allclose(d,e)
Out[31]: True
In [32]: %timeit vmydot(a,b)
467 ms ± 4.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
