我想在Python中计算矩阵指数。 我找到了一种方法（“ scipy.linalg.expm（）”），但是它花费的时间很长（例如，对于5000×5000矩阵为30秒）。
matrix_exponential = scipy.linalg.expm(matrix)
在Python中，有没有更快的方法来计算矩阵指数？
非常感谢您。
答案 0 :(得分：1)
不确定是否为时已晚，希望您找到了答案。
在尝试解决具有大矩阵尺寸的物理学中的随机Liouville方程时，我面临着同样的问题。在我看来，在CPU上运行scipy实现是最快的方法。
到目前为止，我已经找到了两个易于使用的软件包。一个是scipy linalg库（scipy.linalg.expm（A）），另一个是tensorflow linalg库（tf.linalg.expm（A））。如果已安装适当的cuda库，Tensorflow将使用GPU进行计算。可以合并两个库，而无需大幅度更改代码结构。 tensorflow软件包需要在numpy数组和tensorflow数组之间进行转换。这些操作涉及在系统RAM和GPU内存之间复制数据，这往往很昂贵。
对于大小小于12393的方阵，两个软件包都需要花费相同的时间来运行expm（）函数，但是在numpy和tf数组之间进行转换时，tensorflow代码花费了更长的IO时间，并且总体上较慢。
CuPy还提供GPU计算能力，但是尚不存在可用于运行矩阵求幂的方法。与带cupy的GPU相比，使用numpy的CPU上的矩阵求逆运算也更快。
以上测试是在Linux机器上运行的，该机器使用的Intel®Core™i5-9400F CPU @ 2.90GHz×6和GeForce GTX 1050 Ti / PCIe / SSE2，使用的稀疏矩阵的大小为243至12393，基于128-位numpy复数。使用scipy.linalg.expm（A），对6个内核的5000x5000方阵（64位浮点数）求幂需要22秒。