如何有效地将NumPy视图列表与相应的权重相乘？

Question

我使用NumPy面临内存和速度问题，但我的问题非常简单。

• A是H * W整数的大型NumPy数组。
• V是一个包含大型数组N的{​​{1}}次视图的列表，每个视图都是相同的A形状。
• (Hv, Wv)是另一个包含与视图对应的K浮点权重的列表。

N Hv几乎等于Wv和H但更小。由于NumPy views不是副本，因此即使W很大，这对内存管理也很有用。

现在，我想使用广播速度计算一个新阵列： B = V ₁ * K ₁ + ... + V _{ñ * K <子>名词}

这将产生一个新的N加权数组。

问题在于，我不知道如何在内存中创建中间数组时执行此类操作（当视图与相应的权重相乘时会发生这种情况）并且同时受益于广播操作。

Hv * Wv

有人可以帮我巧妙地使用NumPy吗？

Answer 1

我假设V作为列表提供，我们无法优化创建或不需要。因此，A不在等式中，我们留下V和K以获得最终输出B，因此，优化最后一步。

为了解决这个问题，我们可以使用np.tensordot来代替减法的最后一步，因为它基本上是矩阵乘法的减少。在我们的例子中，我们正在从K和输入列表V的长度减少第一个轴。在内部，NumPy会将列表转换为NumPy张量数组，该长度将成为其数组版本的第一个轴。因此，我们将从这两个输入中减少第一个轴，因此实现将是 -

B = np.tensordot(K,V,axes=[0,0]) # `axes` indicates the axes to be sum-reduced

请注意，列表到NumPy数组的内部转换可能并不便宜，因此使用初始化作为NumPy数组创建V更有意义，而不是在循环理解中导致一个清单。