使用 numpy 的广播机制与向量化操作，可高效计算两个形状相同的二维数组中每一对对应行向量的点积，避免显式 python 循环，显著提升性能。
使用 numpy 的广播机制与向量化操作，可高效计算两个形状相同的二维数组中每一对对应行向量的点积，避免显式 python 循环，显著提升性能。
在科学计算和机器学习中，常需对两个等长的向量数组（如特征矩阵）逐行计算点积（即内积），例如用于余弦相似度预计算、注意力权重初步估计或自定义损失函数。若采用 for 循环配合 np.dot，虽逻辑清晰，但在大数据量下性能低下，且违背 NumPy 的向量化设计哲学。
最推荐、最简洁高效的方法是利用逐元素相乘 + 沿行求和：
import numpy as np
arr_x = np.array([[1, 2, 3],
[4, 5, 6]])
arr_y = np.array([[1, 2, 3],
[4, 5, 6]])
res = (arr_x * arr_y).sum(axis=1)
print(res) # [14 77]
✅ 原理清晰：arr_x * arr_y 执行广播式逐元素乘法（shape (2, 3)），结果仍是 (2, 3)；sum(axis=1) 沿列方向（即每行内）求和，得到长度为 2 的一维数组，恰好对应两组行向量的点积。
另一种等价但需注意适用场景的方法是利用矩阵乘法提取对角线：
res = np.diag(arr_x @ arr_y.T)
⚠️ 注意：该方法先计算完整的 (2, 3) @ (3, 2) → (2, 2) 矩阵乘积，再取对角线。虽然语义直观（第 i 行与第 i 行的点积即结果矩阵的 (i,i) 元素），但时间复杂度为 O(n×d×n)，空间开销为 O(n²)，当行数 n 较大时（如上万样本），会显著浪费内存与计算资源，不推荐用于大规模数据。
? 补充说明：
- 两输入数组必须具有相同形状 (n, d)，否则 arr_x * arr_y 会触发广播错误；
- 若需处理不同长度向量（如 arr_x.shape=(n,d1), arr_y.shape=(n,d2)），则无法直接点积，需先校验维度一致性；
- 对于高维张量（如 batch × seq_len × dim），可将 axis 参数扩展为 axis=-1 以保持对最后一维（特征维）操作，增强代码泛化性。
总结：优先使用 (arr_x * arr_y).sum(axis=1) —— 它简洁、高效、内存友好，是 NumPy 向量化实践的典范。
