问题标签 [array-broadcasting]

我有以下代码，其中 w 是兼容维度的 1D numpy 数组，M 是 4D 数组，

有没有更好的方法来达到同样的效果？

例如，试图理解这些结果：

这里发生了什么？在 [1] 的情况下，它将 1 与 x 的每个元素进行比较，并将结果聚合到一个数组中。在 [[1]] 的情况下，同样的事情。只需在 repl 上进行试验，就很容易弄清楚特定数组形状会发生什么。但是双方可以有任意形状的基本规则是什么？

我正在尝试计算由 b = A*x 给出的变换。A 是 (3,4) 矩阵。如果 x 是一个 (4,1) 向量，则结果是 b (3,1)。

相反，对于 x，我将一堆向量连接成一个矩阵，并且我试图评估 x 的每个值的变换。所以 x 是 (20, 4)。如何在 numpy 中广播它，以便我得到 b (20,3) 的 20 个结果值？

我可以遍历每个输入并计算输出，但感觉必须有更好的使用广播的方法。

例如。

如果 x 是：

x 的每一行都与 A 相乘，结果作为一行存储在 b 中。

我找不到解决方案。我的图像形状是 128*128*3，它有三个通道，但也会导致错误

文件“E:/ML/keras_test/vgg.py”，第 30 行，在 load_data data[i,:,:,:] = arr

ValueError：无法将输入数组从形状（128,128）广播到形状（128,128,3）

我的代码如下：

我有以下代码。它在 Python 中一直存在。必须有一种方法可以将此计算转换为广播...

观察：

同样 forcolumn_stack和row_stack(hstack在这种情况下表现不同，但与广播一起使用时也不同)。为什么？

我追求这背后的逻辑，而不是找到一种“修复”这种行为的方法（我对此很好，只是不直观）。

我有一个带有 rgb 像素的图像数组，所以该数组有维度(image_count,height,width,3)

我正在通过我在侧面计算的随机量调整单个像素，形状为：(image_count,3)。

现在，我有一个解释循环来为单个像素添加调整。

如何广播此添加，以便对每个像素执行以下操作：

我正在尝试使用 numpy 在 python 中实现具有 Mahalanobis 距离的 k-NN。但是，当我使用广播时，下面的代码运行非常缓慢。请教我如何提高 numpy 速度或更好地实现这一点。

根据文档：

对于 N 维，是 的最后一个轴和 的倒数第二个dot轴的和积：ab

我想计算最后一个轴a和倒数第二个轴上的和积，b但没有在其余轴上形成笛卡尔积，因为其余轴具有相同的形状。让我用一个例子来说明：

但我希望形状是(11, 12, 13). 使用广播可以达到预期的效果

但是我的数组相对较大，我想使用并行化 BLAS 实现的强大功能，这些实现似乎np.sum不受np.dot. 关于如何实现这一目标的任何想法？

I'm trying to make two 600x800 matrices (X and Y) that look like the following:
- X has 0 to 600 in every row
- Y has 800 to 0 in every column

My idea was to do something along these lines:

And from here, put N into every row in X, and put M[::-1] into every column in Y, but I'm not sure how to go about this.