随着最近对 Numpy (1.14) 的更新，我发现它破坏了我的整个代码库。这是基于将默认的 numpy einsum 优化参数从 False 更改为 True。

结果，以下基本操作现在失败：

带有以下错误跟踪：

我向 einsum 请求的操作看起来很简单……那为什么会失败呢？如果我设置“optimize=False”，它工作得很好。

我尝试使用 einsum_path 进行探索，但生成的路径信息在优化和不优化的情况下是相同的。

Python2 和 Python3 中的 einsum 之间有什么已知的区别吗？

https://github.com/tscohen/GrouPy 我试图在这里运行 Tensorflow 的代码，结果不匹配

文件“/home/----/.conda/envs/py36/lib/python3.6/site-packages/numpy/core/einsumfunc.py”，第 710 行，einsum_path 中的“不匹配先前的术语。”，字符, tnum) ValueError: ("操作数 %d 的标签 '%s' 的大小与前面的术语不匹配。", 'h', 1)

在 Python 3.6 中，但不是当我在 Python 2.7 中运行相同的代码时

我有以下张量执行，

而且我注意到，当“z”或“q”在维度上扩展时，执行时间确实会受到影响，尽管我的直觉是它可能不应该那么糟糕——也许这是我可以通过手动张量收缩来优化的输入形式。

经过一番挖掘，我看到优化有两种模式：“最佳”和“贪婪”。如果我分别针对两种模式评估我的路径：

和

如前所述，测试结果是“最佳”对我来说要快得多。

问题

谁能简单地解释一下区别是什么以及为什么将“贪婪”设置为默认值？

总是使用“最佳”的缺点是什么？

如果我的 einsum 计算要运行 1000 次（这是优化迭代的一部分），我是否应该重组执行以自动受益于“最佳”路径而无需重新计算（或“贪婪”路径）每次？

考虑这个MWE：

my_func() 是我第一次尝试进行计算，但我想加快速度。然后我尝试了以下修改后的功能：

但是，当我%timeit在这两个功能上运行时，我得到

为什么第二种方法比第一种慢？如何优化 my_func() 以使其更快？

让我们A成为一个(N,M,M)矩阵（N非常大），我想scipy.linalg.expm(A[n,:,:])为每个n in range(N). 我当然可以只使用一个for循环，但我想知道是否有一些技巧可以以更好的方式做到这一点（比如np.einsum）。

对于其他操作，例如反转矩阵（反转在评论中解决），我有同样的问题。

假设我有两个 int8 类型的数组。我想在它们上使用 einsum，这样所有的计算都将作为 int64 完成，但我不想将整个数组转换为 int64。如果我理解正确，这就是 dtype 参数的用途。但它似乎并不总是有效。

它确实按预期工作的示例：

无法按预期工作的示例：

对于这些示例，我在带有 numpy 1.14.0 的 Windows 上使用了 python 3.6.4

当我尝试其他 dtypes 时也会发生同样的情况，例如 float64，即使我使用 cast='unsafe'。

为什么会发生这种情况，我怎样才能让它发挥作用？

更新：
einsum 有 optimize=True 作为默认值，至少在 numpy 1.14.0 中。当使用 optimize=False 时，它​​会按预期工作（虽然对于大型数组来说要慢得多）：

从 einsum.py 的简要介绍来看，似乎当 optimize=True 时，它​​会检查使用 numpy.tensordot 是否比 einsum 实现更好。如果是（它应该在我的第二个示例中，因为它只是一个常规矩阵乘法），那么它使用 tensordot，但它不会将 dtype 参数传递给它。事实上， tensordot 甚至没有 dtype 参数。

如果这是正确的，那么需要一个后续问题（这可能值得它自己的帖子？）：
我如何矩阵乘以某个 dtype 的两个矩阵，比如 int8，这样所有的计算都将完成例如，int64 或 float64（因此不会溢出/丢失精度，除非 int64/float64 也会），但不必先将它们转换为所需的类型，此外，操作的实现本身不应转换矩阵总的来说，每次只有一小部分（因此操作所需的内存不会比保存这些矩阵和结果所需的内存大很多）？
这可以以与 numpy.dot 相当的效率完成吗？

我正在尝试制作表达式的点积，它应该是对称的。

事实证明，事实并非如此。

B是一个 4D 数组，我必须将其最后两个维度转置为B ^t。

D是一个二维数组。（它是有限元方法程序员已知的刚度矩阵的表达式）

与第二个选择相关的numpy.dot产品（这个想法来自这个主题：Numpy Matrix Multiplication U*B*UT Results in Non-symmetric Matrix）已经被使用并且问题仍然存在。numpy.transposenumpy.einsum

在计算结束时，获得了乘积B ^t DB，当通过减去它的转置B ^t DB来验证它是否真的是对称的时，仍然有一个残差。

点积或爱因斯坦求和仅用于感兴趣的维度（最后一个）。

问题是：如何消除这些残留物？

我目前正在处理大型 numpy 数组乘法，使用numpy.einsum，并且一直面临MemoryError问题。这就是为什么我试图在可能的情况下使用numexpr. 据我所理解：

在技​​术上与

然而，在其他情况下，事情似乎并不那么简单。假设我有三个表达式：

使用 实现这三个的等效方法是numexpr什么？

如果我将向量x(1,n) 与自身相乘，即np.dot(x.T, x)我将得到一个二次形式的矩阵。

如果我有一个矩阵Xmat(k, n)，我如何有效地计算逐行点积并只选择上三角元素？

所以，自动取款机。我有以下解决方案：

然后compute_interaction(np.asarray([2,5]))屈服array([ 2, 5, 4, 10, 25])。

当我有一个矩阵时，我使用

这产生了我想要的：

除了使用 来计算之外，还有其他方法apply_along_axis吗？也许使用np.einsum？

我有两个形状的ndarray：

我需要将 A 和 B 相乘以获得新的 ndarray：

另一种思考方式是，向量 B 的每一行沿 A 的轴 =-2 相乘，得到一个新的 1,32,512,640 立方体。B 的每一行可以循环形成 1,32,512,640 个立方体，然后可以使用np.concatenateor来构建 C np.vstack，例如：

但是我想知道是否可以使用类似的东西np.einsum或np.tensordot将其全部矢量化在一行中。我还在学习如何使用这两种方法，所以我不确定这里是否合适。

谢谢！