Python numpy在不同的行上执行相同的操作

假设我有一个如下列表：

points = np.array( [ . . . ] , [ . . .], [ . . .] )  # shape is (500000, 1000)

norm = np.linalg.norm(points - target, axis=1)

另一份名单是

target = np.array([ . . .])  #shape is (1000,)

现在我可以计算L2范数，如下所示：

points = np.array( [ . . . ] , [ . . .], [ . . .] )  # shape is (500000, 1000)

norm = np.linalg.norm(points - target, axis=1)

这工作得很好，但当我想要执行100K目标值时，速度非常慢。目前，我从目标列表中获得一个目标值，并计算每个目标的范数

有没有快速的方法可以做到这一点？

是的，广播

deltas = points[:, None, :] - targets[None, :, :]  # shape (n_points, n_targets, n_dims)
norm = np.linalg.norm(deltas, axis=2)  # shape (n_points, n_targets)

但是，如果您有500k点、100k目标和1000-D（即500000*100000*1000*8B=400 TB您需要的RAM），则可能会耗尽所有内存

---

很可能是由于所有计算的实际成本，而不是使用Python循环造成的。考虑使用GPU计算（也许TeaNo）来加速你需要的东西。

500000×1000是很多元素。500k*100k甚至更多。对于64位数字，500k*1k元素已经接近4GB。使用500k*100k元素，可能会耗尽内存。也许你可以试着用类似的东西？另一个可能有用的链接。最后一句话是否意味着你在

norm

计算的基础上进行迭代？如果是，请显示该代码。否则，答案将集中在内存大小上。