numpy.inner#

numpy.inner(a, b, /)#

两个数组的内积。

1-D 数组的向量普通内积（不进行复共轭），在更高维度中则是对最后轴求和积。

参数:

a, barray_like: 如果 a 和 b 为非标量，它们的最后一个维度必须匹配。

返回:

outndarray: 如果 a 和 b 都是标量或都是 1-D 数组，则返回一个标量；否则返回一个数组。out.shape = (*a.shape[:-1], *b.shape[:-1])

引发:

ValueError: 如果 a 和 b 都为非标量且它们的最后一个维度大小不同。

另请参阅

tensordot: 对任意轴求和积。
dot: 广义矩阵积，使用 b 的倒数第二个维度。
vecdot: 两个数组的向量点积。
einsum: 爱因斯坦求和约定。

说明

对于向量（1-D 数组），它计算普通的内积

np.inner(a, b) = sum(a[:]*b[:])

更一般地，如果 ndim(a) = r > 0 和 ndim(b) = s > 0

np.inner(a, b) = np.tensordot(a, b, axes=(-1,-1))

或明确地

np.inner(a, b)[i0,...,ir-2,j0,...,js-2]
     = sum(a[i0,...,ir-2,:]*b[j0,...,js-2,:])

此外 a 或 b 可能是标量，在这种情况下

np.inner(a,b) = a*b

示例

向量的普通内积

>>> import numpy as np
>>> a = np.array([1,2,3])
>>> b = np.array([0,1,0])
>>> np.inner(a, b)
2

一些多维示例

>>> a = np.arange(24).reshape((2,3,4))
>>> b = np.arange(4)
>>> c = np.inner(a, b)
>>> c.shape
(2, 3)
>>> c
array([[ 14,  38,  62],
       [ 86, 110, 134]])

>>> a = np.arange(2).reshape((1,1,2))
>>> b = np.arange(6).reshape((3,2))
>>> c = np.inner(a, b)
>>> c.shape
(1, 1, 3)
>>> c
array([[[1, 3, 5]]])

一个 b 为标量的例子

>>> np.inner(np.eye(2), 7)
array([[7., 0.],
       [0., 7.]])