Question

作为机器学习项目的一部分，我正在做大量的hadamard产品。为了传达问题，下面是设置：

# shape: (2, 3)
In [17]: arr1
Out[17]: 
array([[0.44486617, 0.21001534, 0.63833794],
       [0.90878526, 0.61692562, 0.01978946]])

# shape: (5, 3)
In [18]: arr2
Out[18]: 
array([[0.00640485, 0.22768134, 0.62845291],
       [0.58168743, 0.65527711, 0.14765079],
       [0.61389269, 0.38546809, 0.62696518],
       [0.73977707, 0.03737199, 0.45905132],
       [0.51932163, 0.00119124, 0.07241033]])

现在，我想对arr1中的每一行与arr2进行hadamard积运算，从而获得形状为{{1}的结果数组，称为res }。

(10, 3)

如何仅使用NumPy以最小的开销做到这一点？

Answer 1

在将数组之一扩展到3D之后，我们可以利用broadcasting-

(a[:,None]*b).reshape(-1,a.shape[1]) # a,b are input arrays

对于大型阵列，为了通过多核使用来提高内存效率并因此获得性能，我们可以使用numexpr module-

import numexpr as ne

ne.evaluate('a3D*b',{'a3D':a[:,None]}).reshape(-1,a.shape[1])

时间-

In [20]: a = np.random.rand(200,30)

In [21]: b = np.random.rand(500,30)

In [22]: %timeit (a[:,None]*b).reshape(-1,a.shape[1])
100 loops, best of 3: 4.61 ms per loop

In [27]: %timeit ne.evaluate('a3D*b',{'a3D':a[:,None]}).reshape(-1,a.shape[1])
100 loops, best of 3: 2.28 ms per loop

不规则形状阵列的哈达玛积

1 个答案: