问题标签 [numpy-einsum]

我尝试了 np.hypot() 和 np.linalg.norm() 但它们都有一些问题（至少我是如何使用 thm 的）。

我很确定 np.hypot 只能计算 2-d distance。如果我有一个测试点 P (1,1,1) 和一个网格点 G (3,3,3)，那么网格点 G 的返回值将类似于：((3-1)^2+( 3-1)^2)^(0.5) = 2.82

我可以直接调用 np.hypot，而不必循环通过网格点（我猜循环很慢，因此很糟糕），并且我在 3-d 的所有网格点处返回了这些到测试点的距离值meshgrid，但不计算 z 依赖关系（即 (1,2,0) 处的 d = (1,2,3) 处的 d：

使用 np.linalg.norm，我不知道如何在网格上的所有点上按元素计算返回值，传入的参数似乎是点 A（网格点）和点 B（测试点），但后来我除了循环之外，想不出任何方法来计算所有网格点，如下所示：

有谁知道我如何为 3d 网格上的所有网格点找到到测试点的真实 3d 距离？

我正在寻找一种方法来避免以下代码段中的嵌套循环，其中A和B是二维数组，每个形状都(m, n)带有m，nbeeing 任意正整数：

上面的逻辑大致等价于

除了einsum计算产品的总和。

有没有一种方法，相当于einsum计算总和的总和？还是我必须为此操作编写扩展程序？

给定以下 3 个矩阵：

我einsum用来计算：

但我发现它的性能要差得多：

我不明白为什么。
总的来说，我正在尽可能地优化这段代码。我已经阅读了有关该np.tensordot功能的信息，但我似乎无法弄清楚如何将它用于给定的计算。

我有一个我正在尝试优化的实时图像处理程序，这一切都归结为矩阵乘法。考虑我在初始化阶段计算的 3 个张量：

1. A = np.arange(35 * 51 * 59).reshape([35, 51, 59])
2. B = np.arange(37 * 51 * 51 * 59).reshape([37, 51, 51, 59])
3. C = np.arange(59 * 27).reshape([59, 27])

每一帧，我都会以第四张量的形式获得一个新数据：

• M = np.arange(35 * 37 * 59).reshape([35, 37, 59]).

目前，我正在计算D = np.einsum('xyf,xtf,ytpf,fr->tpr', M, A, B, C)，D我想要的结果在哪里，这是程序的主要瓶颈。为了优化它，我试图遵循两个方向。

首先我尝试提出一个张量T，我可以预先计算一个函数A, B, C, D，然后它会全部沸腾为D = np.tensordot(M, T, axes=..). 我没有成功。我花了很多时间，这甚至可能吗？

此外，程序本身是用 MATLAB 编写的。由于它没有内置的张量乘法函数（einsum或tensordot等效函数），我目前正在使用该tprod工具箱，并且正在执行以下操作：

由于 MATLAB 中的默认点积函数（用于 2D 矩阵）要快得多etprod，因此我想A, B, C, D以一种能够使用默认函数处理多个 2D 矩阵的方式将其重塑为 2D 数组，而无需手动编写for循环。我也没有成功。

有什么想法吗？谢谢！

我试图寻找答案，但找不到我需要的东西。抱歉，如果这是一个重复的问题。

假设我有一个 shape 的二维数组(n, n*m)。我想要做的是这个数组的外部总和到它的转置，从而产生一个形状为的数组(n*m, n*m)。例如，假设我有

我想做一个外部总和，A这样A.T输出是：

请注意，这np.add.outer不起作用，因为它将输入分解为向量。我可以通过做类似的事情

但这在相当大（和n）时似乎不合理。是否可以使用 来写这个总和？我只是似乎无法弄清楚。mn > 100m > 1000einsumeinsum

我有一个数组 Ai 的 numpy 数组，我希望每个外部乘积 (np.outer(Ai[i],Ai[j])) 与缩放乘数相加以产生 H。我可以逐步完成并制作它们然后 tensordot它们带有比例因子矩阵。我认为事情可以大大简化，但还没有找到一种通用/有效的方法来为 ND 做到这一点。如何更容易地生成 Arr2D 和 H？注意：Arr2D 可以是 64 个二维数组，而不是 8x8 二维数组。

考虑以下 3 个数组：

我想将矩阵 X 的每一列添加和求和到 W 的行，由 y 作为索引给出。因此，例如，如果 y 中的第一个元素是 3 ，我会将 X 的第一列添加到 W 的第四行（python 中的索引 3）并求和。我会一遍又一遍地做，直到 X 的所有列都添加到 W 的特定行并求和。我可以用不同的方式做到这一点：1-使用for循环：

2-使用 add.at 功能

3-但我不明白如何使用 einsum 来做到这一点。我得到了一个解决方案，但真的无法理解。

任何人都可以解释我这个结构吗？1 - (np.arange(N)[:,None,None] == y.ravel(),X)。我想这部分是指根据 y 将 X 的列与 W 的特定行相加。但是 W 在哪里？在这种情况下，为什么我们必须将 W 转换为 4 维？2- 'ijk,lk->il' - 我也不明白这一点。

i - 指行，j - 列，k- 每个元素，l - 'l' 也指什么？如果有人能理解这一点并向我解释，我将不胜感激。提前致谢。

假设我有一个np.einsum执行一些计算的设备，然后将其直接泵入另一个np.einsum执行其他操作。一般来说，我可以将这两个einsums 组合成一个 seinsum吗？

我的具体用例是我正在做一个转置，一个矩阵乘法，然后是另一个矩阵乘法来计算b a^T a：

对于这个话题np.einsum，我已经阅读了一堆讨论：

• 为什么 numpy 的 einsum 比 numpy 的内置函数快

• 是否有一个 numpy 函数来获取子矩阵的总和？

为了更多地了解为什么np.eimsum比通常np.sum的 ,np.product等更快（即使对于 anaconda 中的最新 numpy 版本），我正在使用np.einsum_path来查看优化过程优化了什么。

这样做的时候，我发现了一个有趣的现象。考虑这个最小的例子：

输出都是相同的：

优化的 FLOP在哪里增加（这意味着更多的计算？）并且理论加速比小于 1（这意味着更慢）。但是，如果我们实际计算计算时间：

如果我们查看对应于“本机”时序除以优化时序的第二列，它们都接近 1，这意味着优化并没有使其变慢：

我想知道伤口会np.einsum_path说它需要更多的 FLOP 并且它更慢？我相信时间是直接从 FLOP 的数量计算出来的，所以这两个基准基本上指的是同一件事。

顺便说一句，我附上了一个示例，显示np.einsum_path“通常”如何表现以说服上面的结果是异常的：

输出：

我有一个购买一对物品的四种可能性的模型（同时购买，不购买或只购买一个），并且需要优化（伪）对数似然函数。当然，其中一部分是伪对数似然函数的计算/定义。

以下是我的代码，其中 Beta 是每个客户的二维向量（有 U 个客户和 U 个不同的 beta 向量），X 是每个项目的二维向量（N 个项目中的每一个都不同）和 Gamma是一个对称矩阵，每对项目都有一个标量值 gamma(i,j)。df 是购买的数据框 - 每个客户一行，项目 N 列。

在我看来，所有这些循环都效率低下并且占用了太多时间，但我不确定如何加快计算速度，如果能帮助改进它，我将不胜感激。先感谢您！

添加/澄清 - 我正在使用此计算来优化和查找生成此伪似然函数数据的 beta 和 gamma 参数。
我正在使用 scipy optimize.minimize 和 'Powell' 方法。