Python 如何使用Numpy矩阵运算一次计算多个样本？

如何使用Numpy矩阵运算一次计算多个向量样本

请看下面我的代码，“d”是我想要得到的结果。但这只是一个样本。我如何计算输出，而不必为每个样本重复代码或循环遍历每个样本

a = np.array([[1, 2, 3]])
b = np.array([[1, 2, 3]])
c = np.array([[1, 2, 3]])
d = ((a.T * b).flatten() * c.T)

a1 = np.array([[2, 3, 4]])
b1 = np.array([[2, 3, 4]])
c1 = np.array([[2, 3, 4]])
d1 = ((a1.T * b1).flatten() * c1.T)

a2 = np.array([[3, 4, 5]])
b2 = np.array([[3, 4, 5]])
c2 = np.array([[3, 4, 5]])
d2 = ((a2.T * b2).flatten() * c2.T)

---

广播的工作方式是沿着大小为1的轴重复数据，重复次数为使元素操作正常所需的次数。这就是

a.T

的轴1和

b

的轴0所发生的情况。结果的乘积类似。我的建议是将您的所有输入连接到另一个维度，以允许广播沿着现有的两个维度进行

在演示如何做到这一点之前，让我先提一下，如果使用而不是在示例中使用，您会更好<代码>展平生成数据的副本，而

ravel

仅生成视图。由于

a.T*b

无论如何都是一个临时矩阵，因此没有理由复制

沿新维度组合一些数组的最简单方法是。出于几个原因，我建议沿第一维度合并。这是

stack

的默认值，您的结果可以更容易地索引：

d[0]

将是

d

，

d[1]

将是

d1

，等等。如果您将矩阵乘法添加到管道中，则由于它在最后两个维度上运行，因此将开箱即用

a = np.stack((a0, a1, a2, ..., aN))
b = np.stack((b0, b1, b2, ..., bN))
c = np.stack((c0, c1, c2, ..., cN))

现在

a

、

b

和

c

都是三维阵列，第一个维度是测量指标。第二个和第三个对应于原始数组的两个维度

使用此结构，您之前称之为转置的只是交换最后两个维度（因为其中一个维度为1），而散开/展平只是将最后两个维度相乘，例如：

如果在重塑中将其中一个尺寸设置为大小

-1

，它将吸收剩余的尺寸。在本例中，所有数组都有3个元素，因此-1相当于3

将

ravel

操作转换为3D时，您必须稍微小心。在2D中，

x.ravel（）*c.T

在广播之前将

x

隐式转换为1xN数组。在3D中，

x.reformate（3，-1）

创建一个2D 3x27数组，您可以将其乘以

c.reformate（3，-1，1）

，即3x3x1。广播规则表明，实际上是将1x3x1与1x3x27阵列相乘，但确实希望将3x1x27阵列与3x3x1相乘，因此需要明确指定三维“ravel”的所有三个轴

---

这里有一个带示例数据的IDEOne链接供您使用：

（（a.T*b）.flatte（）*c.T）

您应该缩短代码。…@Wen谢谢，顺便问一下，您知道我的问题的任何解决方案吗？它们对abc或a1b1c1总是相同的值吗\不同的价值观。上述代码代表3个观察结果。（abc、a1b1c1、a2b2c2）。我正试图找到一种更有效的方法，这样当有数千次观察时，我就不需要重复代码数千次。谢谢你的回答，

a.重塑（3，-1,1）

做什么？它会把它变成一个3D物体吗？3是行数吗？1和1怎么样？“干杯！”塞曼说。请参阅更新。另外，请阅读函数的链接。“这些文件应该澄清很多事情。”塞曼说。我还修复了最终表达式中的一个错误。第二次重塑必须明确具有3个轴，而不是2个轴。

d = (a.reshape(N, -1, 1) * b).reshape(N, 1, -1) * c.reshape(N, -1, 1)