我还有另一个与我的上一个问题（Python 张量积）有关的问题。在那里我发现我的计算有一个错误。使用 np.tensordot 我正在计算以下等式：
<..> 应该显示平均值。在 python 代码中它看起来像这样（ewp 是一个向量并且是一个张量）：
q1 = numpy.tensordot(re, ewp, axes=(1, 0))
q2 = numpy.tensordot(q1, ewp, axes=(1, 0))
serc = q2 ** 2
或者
serc = numpy.einsum('im, m -> i', numpy.einsum('ilm, l -> im',
numpy.einsum('iklm, k -> ilm', numpy.einsum('ijklm, j -> iklm',
numpy.einsum('ijk, ilm -> ijklm', re, re), ewp), ewp), ewp), ewp)
现在在我忽略的两个 python 代码中，所有的可能性都成倍增加。但当然w_j并w_k不能独立于j=k. 在这种情况下，我们得到只有 j 和 k 相同< w_j*w_j*w_l*w_m> = <w_j>*<w_l>*<w_m>。因为j=k=l我们得到：< w_j*w_j*w_j*w_m> = <w_j>*<w_m>。对于j=k=l=m：< w_j*w_j*w_j*w_j> = <w_j>。只有当所有变量都不同时，独立性才成立，我们得到：< w_i*w_j*w_l*w_m> = <w_i>*<w_j>*<w_l>*<w_m>。现在这就是代码为所有可能性所做的事情。我希望这使我的问题可以理解。现在我的问题是如何在我的代码中表示这一点？
编辑：我的一个想法是首先创建一个 4dim。代表的张量<w_j w_k w_l w_m>：
wtensor = numpy.einsum('jkl, m -> jklm', numpy.einsum('jk, l -> jkl',
numpy.einsum('j, k -> jk', ewp, ewp), ewp), ewp)
然后我需要更改不依赖的值。我认为它们应该在对角线上？但是我对张量演算真的不太了解，所以在这一点上我很挣扎。操纵 w 张量后，我将通过执行以下操作获得结果：
serc = numpy.einsum('ijklm, jklm -> i', numpy.einsum('ijk, ilm ->
ijklm', re, re), wtensor)
Edit2：在另一篇文章中，我准确地询问了如何操作 4dim 以使其适合此处。Divakar 有一个非常好的解决方案，可以在这里看到：Fill a multidimensional array Effectively that have many if else statements
from itertools import product
n_dims = 4 # Number of dims
# Create 2D array of all possible combinations of X's as rows
idx = np.sort(np.array(list(product(np.arange(gn),
repeat=n_dims))),axis=1)
# Get all X's indexed values from ewp array
vals = ewp[idx]
# Set the duplicates along each row as 1s. With the np.prod coming up
next,
#these 1s would not affect the result, which is the expected pattern
here.
vals[:,1:][idx[:,1:] == idx[:,:-1]] = 1
# Perform product along each row and reshape into multi-dim array
out = vals.prod(1).reshape([gn]*n_dims)
我在这里得到的数组是wtensor我现在可以在上面的代码中使用的：
serc = numpy.einsum('ijklm, jklm -> i', numpy.einsum('ijk, ilm ->
ijklm', re, re), wtensor)
这最终给了我想要的结果，并且基本上回答了这个问题。虽然有一个问题。然后定义张量大小的 ewp 的长度不应大于 6。否则代码将使用大量内存。我的意图是使用它直到大小为 8，所以不幸的是，现在这是我的下一个问题。