嗨，我在这里比较新，并尝试用numpy做一些计算。我从一次特定的计算中经历了很长的一段时间，并且无法以更快的方式实现同样的目标。
基本上它是光线三角形交叉算法的一部分，我需要从两个不同大小的矩阵计算所有矢量交叉乘积。
我使用的代码是：
allhvals1 = numpy.cross( dirvectors[:,None,:], trivectors2[None,:,:] )
其中dirvectors是n* vectors (xyz)和trivectors2的数组，是m*vectors(xyz)的数组。 allhvals1是大小为n*M*vector (xyz)的交叉积的数组。
这有效，但速度很慢。它基本上是来自每个阵列的每个矢量的n * m矩阵。希望你明白。每个的大小从大约1-4000变化，具体取决于参数（我基本上根据大小来设置dirvectors）。
任何建议表示赞赏。不幸的是，我的矩阵数学有点不稳定。
答案 0 :(得分：16)
如果查看np.cross的{{3}}，它基本上将xyz维度移动到所有数组的形状元组的前面，然后计算每个组件拼写如下：
x = a[1]*b[2] - a[2]*b[1]
y = a[2]*b[0] - a[0]*b[2]
z = a[0]*b[1] - a[1]*b[0]
在您的情况下，每个产品都需要分配大型数组，因此整体行为效率不高。
让我们设置一些测试数据：
u = np.random.rand(1000, 3)
v = np.random.rand(2000, 3)
In [13]: %timeit s1 = np.cross(u[:, None, :], v[None, :, :])
1 loops, best of 3: 591 ms per loop
我们可以尝试按如下方式计算the source code和np.einsum：
eijk = np.zeros((3, 3, 3))
eijk[0, 1, 2] = eijk[1, 2, 0] = eijk[2, 0, 1] = 1
eijk[0, 2, 1] = eijk[2, 1, 0] = eijk[1, 0, 2] = -1
In [14]: %timeit s2 = np.einsum('ijk,uj,vk->uvi', eijk, u, v)
1 loops, best of 3: 706 ms per loop
In [15]: np.allclose(s1, s2)
Out[15]: True
因此，虽然它有效，但它的性能更差。问题是np.einsum在有两个以上的操作数时遇到麻烦，但已经优化了两个或更少的路径。所以我们可以尝试分两步重写它，看它是否有帮助：
In [16]: %timeit s3 = np.einsum('iuk,vk->uvi', np.einsum('ijk,uj->iuk', eijk, u), v)
10 loops, best of 3: 63.4 ms per loop
In [17]: np.allclose(s1, s3)
Out[17]: True
宾果！接近一个数量级的改进......
NumPy 1.11.0的一些效果数据a=numpy.random.rand(n,3)，b=numpy.random.rand(n,3)：
对于测试的最大einsum，嵌套cross的速度约为n的两倍。
答案 1 :(得分：0)
在为水下航行器编写动态模拟时，我发现了这种快速交叉产品的方法：
哪个效果很好，它是用Matlab编写的，但代码很简单。请阅读顶部的评论。