我正在寻找一种快速计算 n 外积之和的方法。
本质上，我从正态分布生成的两个矩阵开始——有 n 个带有 v 个元素的向量：
A = np.random.normal(size = (n, v))
B = np.random.normal(size = (n, v))
我想要的是计算 A 和 B 中每个大小为 v 的向量的外积并将它们加在一起。
请注意，A * B.T这不起作用 - A 的大小为 nxv，而 B 的大小为 vx n。
我能做的最好的事情是创建一个循环，在其中构造外部产品，然后再求和。我有这样的：
outers = np.array([A[i] * B[i].T])
这将创建一个 nxvxv 数组（循环在列表推导中，随后转换为数组），然后我可以使用np.sum(outers, axis = 0). 但是，这很慢，我想知道是否有一个矢量化函数可以用来加快速度。
如果有人有任何建议，我将不胜感激！
在我看来，你需要做的就是改变转置的顺序，并做A.T * B而不是A * B.T.
如果这不是您所追求的，请看一下np.einsum，它可以做一些非常强大的巫术。对于上面的示例，您将执行以下操作：
np.einsum('ij,ik->jk', A, B)
还要考虑np.outer。
np.array([np.outer(A, B) for i in xrange(n)]).sum(0)
尽管np.einsum@Jamie 建议是明显的赢家。
In [63]: %timeit np.einsum('ij,ik->jk', A, B)
100000 loops, best of 3: 4.61 us per loop
In [64]: %timeit np.array([np.outer(A[i], B[i]) for i in xrange(n)]).sum(0)
10000 loops, best of 3: 169 us per loop
而且，可以肯定的是，它们的结果是相同的：
In [65]: np.testing.assert_allclose(method_outer, method_einsum)
但是，顺便说一句，我没有发现A.T * B或A * B.T广播成功。