让x
为np.array
形状的(n, m)
。
让y
为np.array
形状的(n, k)
。
计算形状z
的张量(n, m, k)
的正确方法是什么
for all i in [0, n - 1]
z[i] = np.dot(x[i][:, np.newaxis], y[i][np.newaxis, :])
?
换句话说,每一对行(x_i, y_i)
给出一个形状为(m, k)
的矩阵。
我查看了np.tensordot
,但是经过多次试验,我找不到其axes
参数的正确值。我不确定这是工作的正确工具。
答案 0 :(得分:2)
您可以像这样使用np.einsum()
:
z = np.einsum('ij,ik->ijk', x, y)
通过快速测试,这也比基于np.matmul()
的方法要快(除了非常小的输入):
import numpy as np
x = np.random.randint(1, 100, (2, 3))
y = np.random.randint(1, 100, (2, 4))
%timeit np.einsum('ij,ik->ijk', x, y)
# 100000 loops, best of 3: 3.14 µs per loop
%timeit np.matmul(x[:, :, None], y[:, None, :])
# 100000 loops, best of 3: 2,07 µs per loop
x = np.random.randint(1, 100, (20, 30))
y = np.random.randint(1, 100, (20, 40))
%timeit np.einsum('ij,ik->ijk', x, y)
# 10000 loops, best of 3: 32.1 µs per loop
%timeit np.matmul(x[:, :, None], y[:, None, :])
# 10000 loops, best of 3: 76.8 µs per loop
x = np.random.randint(1, 100, (200, 300))
y = np.random.randint(1, 100, (200, 400))
%timeit np.einsum('ij,ik->ijk', x, y)
# 10 loops, best of 3: 48.7 ms per loop
%timeit np.matmul(x[:, :, None], y[:, None, :])
# 10 loops, best of 3: 68.2 ms per loop
np.dot()
在可广播视图中的应用如下:
np.dot(x[:, :, None], y[:, None, :])
将无法工作(甚至无法达到正确的形状)。
(已编辑)
答案 1 :(得分:1)
一个简单的np.matmul(x[:, :, None], y[:, None, :])
就能解决问题。
摘自numpy.matmul
的文档:
如果任一自变量为N-D,N> 2,则将其视为位于最后两个索引中并相应广播的一组矩阵。
这正是我想要做的。