Python numpy.einsum中的省略号广播

我无法理解为什么以下各项不起作用：

我有一个数组前置因子，可以是三维的，也可以是六维的。 我有一个四维的阵列偶极子。偶极子的前三个维度与前因子的后三个维度相匹配

由于我不知道前置因子的形状，我使用省略号来解释前置因子中的三个可选维度：

（在这里的示例中，prefactor.shape是（1,1,1,160,160,128），dipoles.shape是（160,160,128,3）。执行时，我得到错误：

操作数1没有足够的维数来匹配广播，并且无法扩展，因为在开始和结束时都指定了einstein和下标

但是，当我在第二个术语中添加省略号时，它也会起作用：

numpy.einsum('...lmn,...lmno->...o', prefactor, dipoles)

只是我不明白为什么，因为这里不需要省略号。有人知道这里发生了什么吗

---

在上提出了相同的问题，但还没有令人满意的答案。

此问题存在github问题：

einsum（Trac#1862）索引表示法的改进

错误案例：

einsum('ij...,j->ij...',A,B)

当前解决方案需要（空）省略号：

einsum（'ij…，j…->ij…'，A，B）

它看起来像是

einsum

多次遍历字符串参数和ops，识别索引和广播类型（右、左、中、无），和op维度。使用此函数，它将构造一个

numpy.nditer

。在为nditer构造

op\u轴时，
einsum
会引发此错误。我不知道测试标准是否过紧（
ibroadcast>=ndim
），或者如果需要采取额外步骤来构造此参数的右
op_轴

显示如何使用
nditer
复制
einsum
行为。通过此操作，我可以复制您的计算，因此：

prefactor = np.random.random((1, 1, 1, 160, 160, 128))
dipoles = np.random.random((160, 160, 128, 3))
x = numpy.einsum('...lmn,...lmno->...o', prefactor, dipoles)
#numpy.einsum('...lmn,lmno->...o', prefactor, dipoles)  # not work

op_axes = [[0,1,2,3,4,5,-1], [-1,-1,-1,0,1,2,3], [0,1,2,-1,-1,-1,3]]
flags = ['reduce_ok','buffered', 'external_loop', 'delay_bufalloc', 'grow_inner']
op_flags = [['readonly']]*nops + [['allocate','readwrite']]
it = np.nditer([prefactor,dipoles,None], flags, op_flags, op_axes=op_axes)
it.operands[nops][...] = 0
it.reset()
#it.debug_print()
for (x,y,w) in it:
    w[...] += x*y
print "\nnditer usage:"
print it.operands[nops] # == x
print it.operands[nops].shape # (1, 1, 1, 3)

op\u轴
线表示
einsum
从
“…lmn，…lmno->…o”
推断出的内容


我正在网上探讨这个问题

在那里我有一个
einsum\u py.py
，它用Python代码模拟
np.einsum
。与这个问题相关的部分是
parse_subscripts（）
，特别是
prepare_op_axes（）
。似乎只有
正确地广播了
迭代（从末尾开始）需要正确创建
op_轴
，而不管椭圆在下标中的位置。它还删除了此问题的核心错误消息

该存储库中的
einsum.c.src
文件有此更改，并使用当前主发行版正确编译（只需替换文件并生成）。它可以根据
test_einsum.py
以及本期中的示例进行良好测试

我已提交此更改的请求

prefactor = np.random.random((1, 1, 1, 160, 160, 128))
dipoles = np.random.random((160, 160, 128, 3))
x = numpy.einsum('...lmn,...lmno->...o', prefactor, dipoles)
#numpy.einsum('...lmn,lmno->...o', prefactor, dipoles)  # not work

op_axes = [[0,1,2,3,4,5,-1], [-1,-1,-1,0,1,2,3], [0,1,2,-1,-1,-1,3]]
flags = ['reduce_ok','buffered', 'external_loop', 'delay_bufalloc', 'grow_inner']
op_flags = [['readonly']]*nops + [['allocate','readwrite']]
it = np.nditer([prefactor,dipoles,None], flags, op_flags, op_axes=op_axes)
it.operands[nops][...] = 0
it.reset()
#it.debug_print()
for (x,y,w) in it:
    w[...] += x*y
print "\nnditer usage:"
print it.operands[nops] # == x
print it.operands[nops].shape # (1, 1, 1, 3)