Question

以下代码位于我正在使用的Python程序中。 T和P都是3,414024个矩阵。我不熟悉＆＃39;。＆＃39;正在做，并且没有能够找到一个明确的答案。不幸的是，它使用了太多的内存，所以我试图找到一种更有效的编码操作方法：

np.matrix(T+P).T*np.matrix(T+P)

这是这一行的一部分：

N1 = (T+P)/np.sqrt(np.diag(np.matrix(T+P).T*np.matrix(T+P)))

感谢您提供任何建议！

Answer 1

以下行：

np.matrix(T+P).T*np.matrix(T+P)

基本上首先进行逐元素加法（T+P），然后使用.T转置结果。这是（矩阵）乘以（np.matrix(T+P)）

得到的矩阵

以下是玩具示例：

In [14]: m
Out[14]: 
matrix([[1, 2, 3, 4],
        [2, 3, 4, 5]])

In [15]: n
Out[15]: 
matrix([[10, 20, 30, 40],
        [11, 21, 31, 41]])

In [16]: m.T * n
Out[16]: 
matrix([[ 32,  62,  92, 122],
        [ 53, 103, 153, 203],
        [ 74, 144, 214, 284],
        [ 95, 185, 275, 365]])

请注意，转置m（即m.T）是必须才能使矩阵乘法（ * ）正常工作。

从上面的示例中可以看出，结果矩阵的维数来自列的维度，因为行上的维度被抵消（4x2, 2x4 =＆gt; 4x4）因此，因为你的矩阵非常庞大（3x414024），内存消耗也很大。

在加法运算（T+P）之后，结果矩阵的维数相同（3x414024）。在转置时，这变为（414024x3）。这反过来在矩阵上与另一个（3x414024）矩阵相乘得到一个维度矩阵（414024x414024），这绝对是一个巨大的矩阵。

Answer 2

有几个明显的优化：

仅计算T+P一次并将其存储在临时TP中，比如说
不要仅计算完整矩阵TP.T @ TP 立即丢弃除了对角线以外的所有对象---而不是首先计算对角线元素： np.einsum('ij,ij->j', TP, TP)

使用你的数字，第二个应该减少计算时间和内存使用的完全荒谬的因素10 ^ 4 - 10 ^ 5.

此外：

避免matrix课程支持array

总结一下，使用：

TP = T+P
N1 = TP/(np.sqrt(np.einsum('ij,ij->j', TP, TP)))

你能描述一下这次行动的情况吗？

2 个答案: