numpy.dot：

对于二维数组，它相当于矩阵乘法，对于一维数组，它相当于向量的内积（没有复共轭）。对于 N 维，它是 a 的最后一个轴和b的倒数第二个轴的和积：

numpy.inner：

一维数组（没有复共轭）的向量的普通内积，在更高维度上是最后一个轴的和积。

（强调我的。）

作为一个例子，考虑这个带有二维数组的例子：

>>> a=np.array([[1,2],[3,4]])
>>> b=np.array([[11,12],[13,14]])
>>> np.dot(a,b)
array([[37, 40],
       [85, 92]])
>>> np.inner(a,b)
array([[35, 41],
       [81, 95]])

因此，您应该使用的那个是为您的应用程序提供正确行为的那个。

性能测试

（请注意，我只测试一维情况，因为这是唯一.dot给出.inner相同结果的情况。）

>>> import timeit
>>> setup = 'import numpy as np; a=np.random.random(1000); b = np.random.random(1000)'

>>> [timeit.timeit('np.dot(a,b)',setup,number=1000000) for _ in range(3)]
[2.6920320987701416, 2.676928997039795, 2.633111000061035]

>>> [timeit.timeit('np.inner(a,b)',setup,number=1000000) for _ in range(3)]
[2.588860034942627, 2.5845699310302734, 2.6556360721588135]

所以也许.inner更快，但我的机器目前负载相当大，所以时间不一致，也不一定非常准确。