Python 不同尺寸的Numpy阵列广播

我对numpy的广播规则有点困惑。假设您希望执行高维数组的轴方向标量积，以将数组维数减少1（基本上是沿一个轴执行加权求和）：

为什么V03不工作

干杯

您可以用它：

In [35]: np.apply_along_axis(v.dot, 2, A)
Out[35]: 
array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.],
       [ 3.,  3.,  3.]])

我认为

V03

不起作用的原因是，它与：

B[:,:] = v.dot(A) 

i、 e.它尝试沿着

A

的最外轴计算点积，在这种特殊情况下，您也可以使用

import numpy as np

A = np.ones((3,3,2))
v = np.array([1,2])

print np.tensordot(v, A, axes=(0, 2))

这将产生：

array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.],
       [ 3.,  3.,  3.]])

轴=（0,2）

表示

tensordot

应与

v

中的第一个轴和

A

中的第三个轴相加。（还可以看一看，它更灵活，但如果不习惯这种符号，就更难理解。）

如果考虑到速度，

tensordot

比使用

apply\u沿_轴

用于小型阵列要快得多

In [14]: A = np.ones((3,3,2))

In [15]: v = np.array([1,2])

In [16]: %timeit np.tensordot(v, A, axes=(0, 2))
10000 loops, best of 3: 21.6 us per loop

In [17]: %timeit np.apply_along_axis(v.dot, 2, A)
1000 loops, best of 3: 258 us per loop

（由于开销恒定，大型阵列的差异不太明显，尽管

tensordot

始终更快。）

np.dot（a，b）

运行。因此，对于您的问题中的特定情况，您可以始终选择：

>>> a.dot(v)
array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.],
       [ 3.,  3.,  3.]])

如果要保持v.dot（a）顺序，需要将轴定位到位，这可以通过以下方法轻松实现：

我不太喜欢

np.dot

，除非是明显的矩阵或向量乘法，因为在使用可选的

out

参数时，输出数据类型非常严格。Joe Kington已经提到了这一点，但是如果你要做这类事情，要习惯于

np.einsum

：一旦你掌握了语法的窍门，就可以将你花在重塑事物上的时间减少到最低限度：

>>> a = np.ones((3, 3, 2))
>>> np.einsum('i, jki', v, a)
array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.],
       [ 3.,  3.,  3.]])

这并不是说它在这种情况下太相关，而是它的速度也快得可笑：

In [4]: %timeit a.dot(v)
100000 loops, best of 3: 2.43 us per loop

In [5]: %timeit v.dot(np.rollaxis(a, 2, 1))
100000 loops, best of 3: 4.49 us per loop

In [7]: %timeit np.tensordot(v, a, axes=(0, 2))
100000 loops, best of 3: 14.9 us per loop

In [8]: %timeit np.einsum('i, jki', v, a)
100000 loops, best of 3: 2.91 us per loop

---

我发现numpy-tensordot轴完全令人困惑。你能详细说明一下吗？我想把一个（10,3,2）张量乘以一个（3,5）张量得到一个（2）张量。

>>> a = np.ones((3, 3, 2))
>>> np.einsum('i, jki', v, a)
array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.],
       [ 3.,  3.,  3.]])

In [4]: %timeit a.dot(v)
100000 loops, best of 3: 2.43 us per loop

In [5]: %timeit v.dot(np.rollaxis(a, 2, 1))
100000 loops, best of 3: 4.49 us per loop

In [7]: %timeit np.tensordot(v, a, axes=(0, 2))
100000 loops, best of 3: 14.9 us per loop

In [8]: %timeit np.einsum('i, jki', v, a)
100000 loops, best of 3: 2.91 us per loop