方法1 爱因斯坦求和

d = tf.ones(shape=[4, 2, 5], dtype=tf.float32) 
w = tf.random.normal(shape=[2, 4])  
einsum = tf.einsum('be,ebd->bd',w,d)
print(einsum)

输出

输出的shape=（2，5）

 也可以将维度小的一个增加一维，然后交换维度，再按第一维求和

d1 = tf.ones(shape=[4, 2, 5], dtype=tf.float32) 

W2 = tf.random.normal(shape=[2, 4])                      
W2 = tf.expand_dims(W2,2)
W2 = tf.transpose(W2,perm=[1,0,2])
Ty1 = tf.multiply(W2,d1)
ty2 = tf.reduce_sum(Ty1,axis=0)                                         
print(ty2)

输出的维度也是（2，5） 

Python/Numpy之点积叉积内积外积张量积

内积（内积、标量积、数量积、点积、点乘）a与b的内积为 a·b = |a||b|cos∠(a, b)，结果为标量（一个数）
外积（叉乘）：向量a与b的外积a×b是一个向量，其长度等于|a×b| = |a||b|sin∠(a,b)，其方向正交于a与b。并且，(a,b,a×b)构成右手系。(外积是张量积的一种形式)
张量积：Kronecker product a⊗b

1.内积、外积、张量积、对应元素相乘

1. 内积：innerx = np.dot(arr1,arr2)
2. 外积：outerx = np.outer(arr1,arr2)
3. 张量积：kronx = np.kron(arr1,arr2)
4. 对应元素相乘：mul = arr1 * arr2 # 只有这种方式是元素相乘，其余都是矩阵相乘运算规则

2. 举例如下

>>> arr1 = np.array([1,2,3])
>>> arr2 = np.array([2,3,4])
# 外积
>>> outerx = np.outer(arr1,arr2)
>>> outerx
array([[ 2,  3,  4],
       [ 4,  6,  8],
       [ 6,  9, 12]])
# 内积
>>> dotx = np.dot(arr1,arr2)
>>> dotx
20
# 张量积
>>> kronx = np.kron(arr1,arr2)
>>> kronx
array([ 2,  3,  4,  4,  6,  8,  6,  9, 12])
# 对应元素乘积
>>> mul = a * b
>>> mul
array([1, 4, 9])

更多Python数据科学相关见专题Python数据科学技能索引
点乘与叉乘
向量内积外积，为啥要叫「内」「外」？
python实现矢量积、叉积、外积、张量积

1.click
2.click2