R 如何从两个矩阵中选择行并将其相乘
我试图循环两个矩阵中的行并将它们相乘,但每次尝试都会产生下面的第一个错误(很明显),以及最后两次尝试中关于维度不匹配的第二个错误。我试图将提取的行的格式更改为stan可以接受的格式,但我不知道如何将它们强制为相关格式。我如何选择行并将它们相乘 语法错误,来自解析器的消息:R 如何从两个矩阵中选择行并将其相乘,r,stan,rstan,R,Stan,Rstan,我试图循环两个矩阵中的行并将它们相乘,但每次尝试都会产生下面的第一个错误(很明显),以及最后两次尝试中关于维度不匹配的第二个错误。我试图将提取的行的格式更改为stan可以接受的格式,但我不知道如何将它们强制为相关格式。我如何选择行并将它们相乘 语法错误,来自解析器的消息: 没有匹配项: 行向量*行向量 表情不好 我的rstancode library("rstan") txt <- 'data { int<lower=0> N; int<
没有匹配项:
行向量*行向量 表情不好
我的
rstan
code
library("rstan")
txt <-
'data {
int<lower=0> N;
int<lower=0> K;
int Ns;
matrix[N, K] xnew;
matrix[Ns, K] beta;
}
parameters {
}
model {
}
generated quantities {
matrix[Ns, N] yh;
for(n in 1:N) {
for(i in 1:Ns) {
// yh[i, n] = xnew[n]* beta[i];
yh[i, n] = xnew[n]* beta[i, ];
// yh[i, n] = xnew[n]* row(beta, i);
// yh[i, n] = xnew[n,]* row(beta, i);
// yh[i, n] = to_vector(row(xnew, n))* to_matrix(row(beta, i));
// yh[i, n] = to_vector(row(xnew, n))* row(beta, i);
}
}
}
'
stan_model(model_code=txt)
编辑:
这似乎起到了作用:
yh[i, n] = dot_product(row(xnew, n), row(beta, i));
但是,有没有一种方法可以在不遍历每一行的情况下计算这个值?(我什么也看不见)嗯,我在这上面唱了一首歌,跳了一支舞。。。但是你可以使用矩阵乘法:
yh=beta*xnew'代码>编辑:按照Bob在下面评论中的建议,我将矩阵转置移动到转换数据
块
因此,完整代码:
txt <-
"data {
int<lower=0> N;
int<lower=0> K;
int Ns;
matrix[N, K] xnew;
matrix[Ns, K] beta;
}
transformed data{
matrix[K, N] xnew_t = xnew';
}
parameters {
}
model {
}
generated quantities {
matrix[Ns, N] yh;
yh = beta* xnew_t;
}
"
fit <- stan(model_code=txt, data = list(beta=beta, xnew=xnew, Ns=10, N=2, K=3 ),
chains = 1, seed = 1, iter=1, algorithm = "Fixed_param")
ex_samp = as.matrix(fit)
all.equal(yh, matrix(ex_samp[-length(ex_samp)], nc=2))
txt嗯,我在这上面唱了一首歌,跳了一支舞。。。但是你可以使用矩阵乘法:yh=beta*xnew'代码>编辑:按照Bob在下面评论中的建议,我将矩阵转置移动到转换数据
块
因此,完整代码:
txt <-
"data {
int<lower=0> N;
int<lower=0> K;
int Ns;
matrix[N, K] xnew;
matrix[Ns, K] beta;
}
transformed data{
matrix[K, N] xnew_t = xnew';
}
parameters {
}
model {
}
generated quantities {
matrix[Ns, N] yh;
yh = beta* xnew_t;
}
"
fit <- stan(model_code=txt, data = list(beta=beta, xnew=xnew, Ns=10, N=2, K=3 ),
chains = 1, seed = 1, iter=1, algorithm = "Fixed_param")
ex_samp = as.matrix(fit)
all.equal(yh, matrix(ex_samp[-length(ex_samp)], nc=2))
txt对于xnew
的转置,在转换的数据块中使用变量xnew\t
会更快。否则,Stan必须分配,然后在每次迭代中进行复制。这还不算太糟糕,因为它只是每次迭代一次,而不是每次对数密度和梯度一次,并且它使用double
算法而不是autodiff。在转换的数据块中使用变量xnew\t
进行xnew
的转置会更快。否则,Stan必须分配,然后在每次迭代中进行复制。这还不算太糟糕,因为它只是每次迭代一次,而不是每次对数密度和梯度一次,并且它使用double
算法而不是autodiff。
txt <-
"data {
int<lower=0> N;
int<lower=0> K;
int Ns;
matrix[N, K] xnew;
matrix[Ns, K] beta;
}
transformed data{
matrix[K, N] xnew_t = xnew';
}
parameters {
}
model {
}
generated quantities {
matrix[Ns, N] yh;
yh = beta* xnew_t;
}
"
fit <- stan(model_code=txt, data = list(beta=beta, xnew=xnew, Ns=10, N=2, K=3 ),
chains = 1, seed = 1, iter=1, algorithm = "Fixed_param")
ex_samp = as.matrix(fit)
all.equal(yh, matrix(ex_samp[-length(ex_samp)], nc=2))