在python中,如何将每对矩阵向量内积分开?
比方说,我有一堆矩阵和向量在python中,如何将每对矩阵向量内积分开?,python,numpy,matrix,vector,Python,Numpy,Matrix,Vector,比方说,我有一堆矩阵和向量 As = array([[[1, 7], [3, 8]], [[2, 1], [5, 9]], [[7, 2], [8, 3]]]) bs = array([[8, 0], [8, 8], [7, 3]]) 当我做np.inner(As,bs)时,我得到: 但我不需要所有的内部产品。我想要的是,用每个向量计算每个矩阵一次。 我可以这样做: np.array(map(lambda (a, b): np.inner(a,
As = array([[[1, 7], [3, 8]],
[[2, 1], [5, 9]],
[[7, 2], [8, 3]]])
bs = array([[8, 0], [8, 8], [7, 3]])
当我做np.inner(As,bs)时,我得到:
但我不需要所有的内部产品。我想要的是,用每个向量计算每个矩阵一次。
我可以这样做:
np.array(map(lambda (a, b): np.inner(a, b), zip(As, bs)))
然后我得到了期望的矩阵:
array([[ 8, 24], [ 24, 112], [ 55, 65]])
现在我不想使用zip、map等,因为我需要这个操作>10**6次(对于图像处理,正是对于GMM)。
有没有什么方法可以使用numpy、scipy等为我做到这一点?(快速有效)您可以使用-
解释
使用np.array(map(lambda(a,b):np.inner(a,b),zip(As,bs))
,我们选择As
Asa
和offbs
Asb
的第一个元素并进行内积。因此,我们正在做:
In [19]: np.inner(As[0],bs[0])
Out[19]: array([ 8, 24])
In [20]: np.inner(As[1],bs[1])
Out[20]: array([ 24, 112])
In [21]: np.inner(As[2],bs[2])
Out[21]: array([55, 65])
将其视为一个循环,我们迭代3次,对应于as
的第一个轴的长度,这与bs
的长度相同。因此,查看lambda
表达式,在每次迭代中,我们有a=As[0]&b=bs[0]
,a=As[1]&b=bs[1]
等等
As
和bs
是3D
和2D
,让我们将它们表示为迭代器,想象我们头脑中的内积。因此,在迭代时,我们将有a:j,k
和b:m
。由于a
和b
之间的内积,我们将失去a
的第二个轴和b
的第一个轴。因此,我们需要将k
与m
对齐。因此,我们可以假设b
具有与k
相同的迭代器。从a
到As
和b
到bs
,本质上,我们将失去As
的第三个轴和bs
的第二个轴以及内积/和减少。沿着第一个轴迭代As
和bs
意味着我们需要在这些总和缩减下保持一致
让我们总结一下
我们为输入数组使用了迭代器,如下所示-
As : i x j x k
bs : i x k
预期操作中涉及的步骤:
- 保持
的第一个轴与As
的第一个轴对齐bs
- 失去
的第三个轴,与As
的第二个轴的总和减少bs
i,j
作为输出
np.einsum
是一个非常有效的实现,当我们需要使输入数组的一个或多个轴彼此对齐时,它特别方便
有关
einsum
的更多信息,我建议您遵循前面提供的文档链接,这也可能会有所帮助 @PiMathCLanguage添加了一些注释以帮助解决问题。看看那些。
In [19]: np.inner(As[0],bs[0])
Out[19]: array([ 8, 24])
In [20]: np.inner(As[1],bs[1])
Out[20]: array([ 24, 112])
In [21]: np.inner(As[2],bs[2])
Out[21]: array([55, 65])
As : i x j x k
bs : i x k