Python 寻找一个专门的numpy函数来避免使用多列表理解

我的数学不是很好，虽然我是一个有经验的程序员，但我仍然是python的初学者

我有一个函数，它接受一个小的np.array（<100个元素）， 打了100000多次电话

使用numpy（pycharm中的全程序评测）需要23~25%的总cpu时间：

我的numpy版本的问题可能是，我取了一个np.array，使其成为列表理解，再次生成一个np.array，然后取这个np.array，再次生成列表理解，然后再次生成一个np.array，依此类推。在这么小的阵列上来回转换是不值得的

---

numpy版本可以优化吗？代码搞乱了。可能有某种专门的numpy map/reduce函数专门用于此功能。

了解广播后，我就是这样解决的：

    output = np.sum(_input[:,None] * self.weights + self.bias, axis=0)
    output = np.fromiter((self.activation(val) for val in output), dtype=np.single)

---

或者可能数组对于numpy来说太小了，我不知道。我最初尝试了dtype=float16，希望能进行一些自动矢量化，但没有得到任何结果，然后它就保持不变了。

\u input*self.weights

work？@hpaulj no:ValueError:操作数不能与形状（8，）（8,16）一起广播如果希望我们帮助编写更好的numpy代码，您应该指定相关数组的

形状<代码>\输入[：，无]*自身。权重应考虑广播错误。你读了足够多的
numpy
了解广播的含义了吗？
def call(self, _input):
    output = [_input[i] * self.weights[i] for i in range(len(self.weights))]
    output += self.bias
    output = [sum(output[:, i]) for i in range(len(self.weights[0]))]
    output = [self.activation(val) for val in output]
    self.output = output
    return output

    output = np.sum(_input[:,None] * self.weights + self.bias, axis=0)
    output = np.fromiter((self.activation(val) for val in output), dtype=np.single)