（w / r / t OP的最后一句话：我 不 知道这种numpy / scipy方法，但是w / r / t
OP标题中的问题（即，提高NumPy点的性能）应该是下面的内容换句话说，我的答案是针对改善 组成 Y）函数的大多数 步骤的 性能。
首先，这应该使您明显优于普通的NumPy 点 方法：
>>> from scipy.linalg import blas as FB>>> vx = FB.dgemm(alpha=1., a=v1, b=v2, trans_b=True)
请注意，两个数组v1，v2 都 按C_FORTRAN顺序排列
您可以通过数组的 flags 属性访问NumPy数组的字节顺序，如下所示：
>>> c = NP.ones((4, 3))>>> c.flags C_ConTIGUOUS : True # refers to C-contiguous order F_ConTIGUOUS : False # fortran-contiguous OWNdata: True MASKNA : False OWNMASKNA : False WRITEABLE : True ALIGNED : True UPDATEIFCOPY : False
更改数组之一的顺序以使两者对齐，只需调用NumPy数组构造函数，传入数组并将相应的 顺序 标志设置为True
>>> c = NP.array(c, order="F")>>> c.flags C_ConTIGUOUS : False F_ConTIGUOUS : True OWNdata: True MASKNA : False OWNMASKNA : False WRITEABLE : True ALIGNED : True UPDATEIFCOPY : False
您可以通过利用数组顺序对齐来进一步优化，以 减少由于 复制 原始数组而导致的过多内存消耗。
但是为什么在传递给 点 之前复制数组？
点积依赖BLAS操作。这些操作需要以C连续顺序存储的数组-正是这种约束导致数组被复制。
在另一方面， 转置 也 不会 影响副本，但不幸的返回结果中 的Fortran顺序 ：
因此，要消除性能瓶颈，您需要 消除谓词数组复制步骤 ；为此，只需将两个数组以C连续的顺序传递给 点即可 。
因此，要计算 dot（AT，A） 而无需 额外复制：
>>> import scipy.linalg.blas as FB>>> vx = FB.dgemm(alpha=1.0, a=A.T, b=A.T, trans_b=True)
总之，上面的表达式（以及谓词import语句）可以代替点，以提供相同的功能但性能更好
您可以将该表达式绑定到如下函数：
>>> super_dot = lambda v, w: FB.dgemm(alpha=1., a=v.T, b=w.T, trans_b=True)
