Python 无环法求解三维线性方程组
我要解线性方程Ax=b,每个A包含在3d矩阵中。比如说, 在Ax=B中, 假设A.shape为(2,3,3) i、 e.=[[1,2,3],[1,2,3],[1,2,3][[1,2,3],[1,2,3],[1,2,3]] B.形状为(3,1) i、 e.[1,2,3]^T 我想知道Ax=B的每个3-向量,即(x_1,x_2,x_3) 我想到的是将B与np.one(2,3)相乘,并将函数点与每个A元素的倒数相乘。但它需要循环来实现这一点。(当矩阵大小增大时,这会消耗大量时间)(例如A[:][:]=[1,2,3]) 如何在没有循环的情况下求解多个Ax=B方程Python 无环法求解三维线性方程组,python,numpy,matrix,vectorization,Python,Numpy,Matrix,Vectorization,我要解线性方程Ax=b,每个A包含在3d矩阵中。比如说, 在Ax=B中, 假设A.shape为(2,3,3) i、 e.=[[1,2,3],[1,2,3],[1,2,3][[1,2,3],[1,2,3],[1,2,3]] B.形状为(3,1) i、 e.[1,2,3]^T 我想知道Ax=B的每个3-向量,即(x_1,x_2,x_3) 我想到的是将B与np.one(2,3)相乘,并将函数点与每个A元素的倒数相乘。但它需要循环来实现这一点。(当矩阵大小增大时,这会消耗大量时间)(例如A[:][:]=
- 我让A和B的元素是一样的,但你们可能知道,这只是一个例子李>
3D
数组A
上使用,然后使用张量矩阵与B
相乘,这样我们就分别丢失了这两个数组的最后和第一个轴,如下所示-
np.tensordot( np.linalg.inv(A), B, axes=((-1),(0)))
np.matmul(np.linalg.inv(A), B)
样本运行-
In [150]: A
Out[150]:
array([[[ 0.70454189, 0.17544101, 0.24642533],
[ 0.66660371, 0.54608536, 0.37250876],
[ 0.18187631, 0.91397945, 0.55685133]],
[[ 0.81022308, 0.07672197, 0.7427768 ],
[ 0.08990586, 0.93887203, 0.01665071],
[ 0.55230314, 0.54835133, 0.30756205]]])
In [151]: B = np.array([[1],[2],[3]])
In [152]: np.linalg.solve(A[0], B)
Out[152]:
array([[ 0.23594665],
[ 2.07332454],
[ 1.90735086]])
In [153]: np.linalg.solve(A[1], B)
Out[153]:
array([[ 8.43831557],
[ 1.46421396],
[-8.00947932]])
In [154]: np.tensordot( np.linalg.inv(A), B, axes=((-1),(0)))
Out[154]:
array([[[ 0.23594665],
[ 2.07332454],
[ 1.90735086]],
[[ 8.43831557],
[ 1.46421396],
[-8.00947932]]])
或者,张量矩阵乘法可以替换为-
np.tensordot( np.linalg.inv(A), B, axes=((-1),(0)))
np.matmul(np.linalg.inv(A), B)
在Python3.x上,我们可以使用相同的功能-
np.linalg.inv(A) @ B
如果4d矩阵发生了什么?这有相同的程序吗@구마왕 是的,不需要更改。张量点中的负值“-1”是多少?我想应该是“1”@구마왕
-1
用于选择/表示最后一个轴。在Python中,它用于选择最后一个轴或最后一个元素等。因此,-1
的用法是在这里使用的,而不是打字错误。