numpy.inner

numpy.inner(a, b, /)

两个数组的内积.

一维数组向量的普通内积（不带复共轭）,在更高维度上是最后一个轴上的和积.

参数:

a, barray_like

如果 a 和 b 是非标量,它们的最后维度必须匹配.

返回:

outndarray

如果 a 和 b 都是标量或都是一维数组,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 都是非标量且它们的最后维度大小不同.

参见

tensordot

对任意轴上的乘积求和.

dot

广义矩阵乘积,使用 b 的倒数第二维.

einsum

爱因斯坦求和约定.

备注

对于向量（1维数组）,它计算普通内积:

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

更一般地,如果 ndim(a) = r > 0 且 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 可以是标量,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 是标量的例子:

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