数组序列的numpy outerproduct

我有一个矩阵a（nXm）。我的最终目标是获得维度Z（nXmXm），目前我正在使用它，但是可以不使用for循环使用一些matrix.tensordot或matrix.multiply.outer吗

 for i in range(0,A.shape[0]):
       Z[i,:,:] = np.outer(A[i,:],A[i,:])

你可以这样使用：

np.einsum（'ij，ik->ijk'，a，a）

为了完整起见，与unutbu的优秀答案（+1）进行时间比较：

[39]中的

A=np.random.random（（1000,50））
在[40]：%timeit使用_einsum（A）
100个回路，最好为3:11.6 ms/回路
在[41]：%timeit使用_广播（A）
100个回路，最好为3:10.2 ms/回路
在[42]：%timeit orig（A）
10个回路，最佳3个：每个回路27.8毫秒

这告诉我

联合国大学的机器比我的快

广播速度将略快于

np.einsum

意味着

可使用以下公式计算：

A[：，：，np.newaxis]

和

A[：，np.newaxis，：]

具有形状

（n，1，m）

。将这两个数组相乘将使两个数组的广播次数达到 形状

（n，m，m）

NumPy乘法总是按元素执行。沿线的值 广播轴在任何地方都是相同的，所以元素相乘的结果是相同的 在

Z_ijk=A_ij*A_ik

中

---

下面是一个健全性检查，显示这会产生正确的结果：

A = np.random.random((1000,50))
assert np.allclose(using_broadcasting(A), orig(A))

通过将A.shape[0]选择为大，我们得到了一个示例，展示了 Python中广播优于循环的优势：

In [107]: %timeit using_broadcasting(A)
10 loops, best of 3: 6.12 ms per loop

In [108]: %timeit orig(A)
100 loops, best of 3: 16.9 ms per loop

---

非常感谢你。事实上，我的A.shape[0]在我的例子中很大。

Z = A[:, :, np.newaxis] * A[:, np.newaxis, :]

import numpy as np

def orig(A):
    Z = np.empty(A.shape+(A.shape[-1],), dtype=A.dtype)
    for i in range(0,A.shape[0]):
        Z[i,:,:] = np.outer(A[i,:],A[i,:])
    return Z

def using_broadcasting(A):
    return A[:, :, np.newaxis] * A[:, np.newaxis, :]

A = np.random.random((1000,50))
assert np.allclose(using_broadcasting(A), orig(A))

In [107]: %timeit using_broadcasting(A)
10 loops, best of 3: 6.12 ms per loop

In [108]: %timeit orig(A)
100 loops, best of 3: 16.9 ms per loop