- mongodb - 在 MongoDB mapreduce 中,如何展平值对象?
- javascript - 对象传播与 Object.assign
- html - 输入类型 ="submit"Vs 按钮标签它们可以互换吗?
- sql - 使用 MongoDB 而不是 MS SQL Server 的优缺点
ki", A, B) 对于两个数-6ren">
我正在努力理解究竟是如何 einsum
作品。我查看了文档和一些示例,但似乎并没有坚持。
这是我们在类里面看过的一个例子:
C = np.einsum("ij,jk->ki", A, B)
对于两个数组:
A
和
B
.
A^T * B
,但我不确定(它正在对其中一个进行转置,对吗?)。谁能告诉我这里到底发生了什么(通常在使用
einsum
时)?
最佳答案
(注意:此答案基于我不久前写的关于 einsum
的简短 blog post。)
什么einsum
做?
假设我们有两个多维数组,A
和 B
.现在让我们假设我们想要...
A
与 B
以一种特殊的方式来创造新的产品系列;然后也许 einsum
与
multiply
等 NumPy 函数的组合相比,它将帮助我们更快、更高效地完成此操作。 ,
sum
和
transpose
会同意。
einsum
工作?
A = np.array([0, 1, 2])
B = np.array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
我们将相乘
A
和
B
逐元素,然后沿新数组的行求和。在“正常”的 NumPy 中,我们会这样写:
>>> (A[:, np.newaxis] * B).sum(axis=1)
array([ 0, 22, 76])
所以在这里,对
A
的索引操作排列两个数组的第一个轴,以便可以广播乘法。然后将产品数组的行相加以返回答案。
einsum
相反,我们可以写:
>>> np.einsum('i,ij->i', A, B)
array([ 0, 22, 76])
签名字符串
'i,ij->i'
是这里的关键,需要稍微解释一下。你可以把它想成两半。在左侧(
->
的左侧),我们标记了两个输入数组。在
->
的右侧,我们已经标记了我们想要结束的数组。
A
有一个轴;我们已经给它贴上了标签 i
.和 B
有两个轴;我们将轴 0 标记为 i
和轴 1 为 j
.i
在两个输入数组中,我们告诉 einsum
这两个轴应该是 乘以 一起。换句话说,我们乘以数组 A
与数组的每一列 B
,就像 A[:, np.newaxis] * B
做。j
在我们想要的输出中没有作为标 checkout 现;我们刚刚用过 i
(我们希望以一维数组结束)。来自 省略 标签,我们告诉 einsum
至 总和 沿着这个轴。换句话说,我们对乘积的行求和,就像 .sum(axis=1)
做。einsum
所需要知道的全部内容。 .稍微玩一下会有所帮助;如果我们在输出中保留两个标签,
'i,ij->ij'
,我们得到一个二维的产品数组(与
A[:, np.newaxis] * B
相同)。如果我们说没有输出标签,
'i,ij->
,我们得到一个单一的数字(与做
(A[:, np.newaxis] * B).sum()
相同)。
einsum
的伟大之处然而,它并没有先构建一个临时的产品阵列;它只是对产品进行汇总。这可以大大节省内存使用。
A = array([[1, 1, 1],
[2, 2, 2],
[5, 5, 5]])
B = array([[0, 1, 0],
[1, 1, 0],
[1, 1, 1]])
我们将使用
np.einsum('ij,jk->ik', A, B)
计算点积.这是一张显示
A
标签的图片和
B
以及我们从函数中得到的输出数组:
j
重复 - 这意味着我们将
A
的行相乘列
B
.此外,标签
j
不包括在输出中 - 我们正在对这些乘积求和。标签
i
和
k
保留用于输出,所以我们得到一个二维数组。
j
所在的数组进行比较可能会更清楚。没有总结。下面,在左侧,您可以看到写入
np.einsum('ij,jk->ijk', A, B)
所产生的 3D 数组。 (即我们保留了标签
j
):
j
给出预期的点积,如右图所示。
einsum
,使用下标表示法实现熟悉的 NumPy 数组操作会很有用。任何涉及乘法和求和轴组合的内容都可以使用
einsum
编写。 .
A = np.arange(10)
和
B = np.arange(5, 15)
.
A
的总和可以写成:np.einsum('i->', A)
A * B
,可以写成:np.einsum('i,i->i', A, B)
np.inner(A, B)
或 np.dot(A, B)
,可以写成:np.einsum('i,i->', A, B) # or just use 'i,i'
np.outer(A, B)
,可以写成:np.einsum('i,j->ij', A, B)
C
和
D
,假设轴是兼容的长度(两者长度相同或其中之一的长度为 1),以下是一些示例:
C
的踪迹(主对角线的总和),np.trace(C)
,可以写成:np.einsum('ii', C)
C
的逐元素乘法和 D
的转置, C * D.T
,可以写成:np.einsum('ij,ji->ij', C, D)
C
的每个元素相乘通过数组 D
(制作 4D 阵列),C[:, :, None, None] * D
,可以写成:np.einsum('ij,kl->ijkl', C, D)
关于python - 理解 NumPy 的 einsum,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26089893/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!