最简单的解决方案
使用numpy.dot或a.dot(b )。 请参阅此处的文档。
a=NP.array ([ 5，1，3 ]，
[ 1，1，1 ]，
[ 1，2，1 ] )
b=NP.array ([ 1，2，3 ] ) )。
printa.dot(b )。
array ([ 16，6，8 ] )
这是因为numpy数组按元素在标准操作*、-和/数组上工作，而不是按矩阵工作。 而是尝试使用numpy.matrix，*将其视为矩阵乘法。
其他解决方案
我知道还有其他选择：
如下所述，使用python3.5时，@运算符按预期方式工作。
打印(a @ b ) )。
array ([ 16，6，8 ] )
过度杀伤时，请使用numpy.einsum。 本文档为你提供了它的工作原理，但说实话，直到你读了这个答案并自己动手摆弄它，你还没有充分理解如何使用它。
NP.Einsum(Ji，i-j )，a，b ) )。
array ([ 16，6，8 ] )
从2016年年中(numpy 1.10.1 ) )开始，尝试使用Experimenting numpy.matmul。 numpy.dot的作用与以下两个主要异常相同： 没有标量乘法，但可以在矩阵堆栈中使用。
NP.matmul(a，b ) )。
array ([ 16，6，8 ] )
numpy.inner也以同样的方式工作。 numpy.dot对矩阵-向量乘法表示不同的矩阵基质和kadyl乘法。 (请看关于维基百科之间差异的内积和点积很普遍，或者其SO回答是关于numpy的实现。 )。
NP.inner(a，b ) )。
array ([ 16，6，8 ] )
# bewareusingformatrixmultiplicationthough！
b=a.T
NP.dot(a，b ) )。
array ([ 35，9，10 ]，
[ 9，3，4 ]，
[ 10，4，6 ] )
NP.inner(a，b ) )。
array ([ 29，12，19 ]，
[ 7，4，5 ]，
[ 8，5，6 ] )
边壳难选
如果存在kadyl (维数大于或等于1的数组)，则numpy.tensordot可以将axes=1与可选参数一起使用。
NP.tensordot(a，b，axes=1) )。
array ([ 16，6，8 ] )
如果有numpy.vdot复数矩阵，请不要使用。 矩阵展平为一维数组，试图在展平的矩阵和向量之间找到复杂的共轭点积(由于大小不匹配而失败) (n*mvs n )。