块状张量：张量在张量的额叶上
问题内容：
我正在尝试对3D张量的正面切片执行矩阵乘法，如下所示。如果X.shape == (N, N)和Y.shape == (N, N, Y)，得到的张量应该是形状的(N, N, Y)。
np.tensordot实现此目的的正确语法是什么？
我试图将自己限制为np.tensordot，而不是np.einsum，因为我想稍后将此解决方案翻译为Theano。不幸的是，Theanonp.einsum尚未实现。
本文改编的关于张量乘法的图形。非张量点答案等效于以下内容
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])
问题答案：
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 x N。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
