使用多个内核的Numpy np.einsum数组乘法

Question

我已经编译了numpy 1.6.2和scipy与MKL希望有更好的性能。 目前我有一个严重依赖于np.einsum（）的代码，我被告知einsum对MKL不好，因为几乎没有矢量化。 =（ 所以我想用np.dot（）和切片来重写我的一些代码，只是为了能够获得一些多核速度。 我非常喜欢np.einsum（）的简单性，可读性很好。 无论如何，例如，我有一个多维矩阵乘法形式：

np.einsum('mi,mnijqk->njqk',A,B)

那么如何在np.dot（）高效的MKL操作中转换这样的东西，或者其他3,4和5维数组乘法呢？

我会提供更多信息： 我正在计算这个等式：

为此，我使用代码：

np.einsum('mn,mni,nij,nik,mi->njk',a,np.exp(b[:,:,np.newaxis]*U[np.newaxis,:,:]),P,P,X)

这不是那么快，在cython中编码的同样的事情要快5倍：

    #STACKOVERFLOW QUESTION:
from __future__ import division
import numpy as np
cimport numpy as np
cimport cython

cdef extern from "math.h":
    double exp(double x)


DTYPE = np.float

ctypedef np.float_t DTYPE_t
@cython.boundscheck(False) # turn of bounds-checking for entire function
def cython_DX_h(np.ndarray[DTYPE_t, ndim=3] P, np.ndarray[DTYPE_t, ndim=1] a, np.ndarray[DTYPE_t, ndim=1] b, np.ndarray[DTYPE_t, ndim=2] U,  np.ndarray[DTYPE_t, ndim=2] X, int I, int M):
    assert P.dtype == DTYPE and a.dtype == DTYPE and b.dtype == DTYPE and U.dtype == DTYPE and X.dtype == DTYPE

cdef np.ndarray[DTYPE_t,ndim=3] DX_h=np.zeros((N,I,I),dtype=DTYPE)
cdef unsigned int j,n,k,m,i
for n in range(N):
    for j in range(I):
        for k in range(I):
            aux=0
            for m in range(N):
                for i in range(I):
                    aux+=a[m,n]*exp(b[m,n]*U[n,i])*P[n,i,j]*P[n,i,k]*X[m,i]
            DX_h[n,j,k]=aux
return DX_h

有没有办法在纯Python中用cython的性能来做到这一点？ （我还没弄清楚如何对这个方程进行推理） 在这个cython代码中，Haven能够做一些prange，很多gil和nogil错误。

Answer 1

或者，您可以使用numpy.tensordot()：

np.tensordot(A, B, axes=[[0, 1], [0, 2]])

也会使用多个核心，例如numpy.dot()。