Question

在当前项目中，我有一个大的多维数组形状（I，J，K，N）和一个方形矩阵的暗N.

我需要使用方阵执行数组最后一个轴的矩阵向量乘法。

所以显而易见的解决方案是：

for i in range(I):
    for j in range(J):
        for k in range(K):
            arr[i,j,k] = mat.dot(arr[i,j,k])

但当然这很慢。所以我也试过numpy的tensordot，但收效甚微。我希望有类似的东西：

arr = tensordot(mat,arr,axes=((0,1),(3)))

应该做的伎俩，但我得到一个形状不匹配错误。

有人有更好的解决方案或知道如何正确使用tensordot吗？

谢谢！

Answer 1

这应该做你的循环，但是使用矢量化循环：

from numpy.core.umath_tests import matrix_multiply

arr[..., np.newaxis] = matrix_multiply(mat, arr[..., np.newaxis])

matrix_multiply和它的姐姐inner1d是隐藏的，没有记录的，几乎没有宝石的宝石，虽然一整套线性代数gufuncs应该看到numpy 1.8的光。 matrix_multiply对其输入的最后两个维度进行矩阵乘法，并在其余维度上进行广播。唯一棘手的部分是设置一个额外的维度，以便在乘法时看到列向量，并在赋值时将其添加回数组，这样就不会出现形状不匹配。

Answer 2

我认为你的for循环是错误的，对于这种情况dot似乎已经足够了：

# a is your IJKN
# b is your NN
c = dot(a, b)

此处c将是IJKN数组。如果要总结最后一个维度以获取IJK数组：

arr = dot(a,b).sum(axis=3)

但我不确定，如果这是你想要的......

沿阵列轴的矩阵向量乘法

2 个答案: