- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
在 python 3.5 中,@
运算符被引入用于矩阵乘法,遵循 PEP465。 .这是实现的,例如在 numpy 中作为 matmul operator .
但是,正如 PEP 所建议的那样,numpy 运算符在使用标量操作数调用时会抛出异常:
>>> import numpy as np
>>> np.array([[1,2],[3,4]]) @ np.array([[1,2],[3,4]]) # works
array([[ 7, 10],
[15, 22]])
>>> 1 @ 2 # doesn't work
Traceback (most recent call last):
File "<input>", line 1, in <module>
TypeError: unsupported operand type(s) for @: 'int' and 'int'
这对我来说是一个真正的障碍,因为我正在实现应该适用于标量和矩阵的数字信号处理算法。这两种情况的方程在数学上完全等价,这并不奇怪,因为“一维 x 一维矩阵乘法”等价于标量乘法。然而,当前状态迫使我编写重复代码以正确处理这两种情况。
那么,鉴于当前状态并不令人满意,是否有任何合理的方法可以让 @
运算符为标量工作?我考虑过向标量数据类型添加自定义 __matmul__(self, other)
方法,但考虑到所涉及的内部数据类型的数量,这似乎很麻烦。我可以更改 numpy 数组数据类型的 __matmul__
方法的实现,使其不为 1x1 数组操作数抛出异常吗?
而且,在旁注中,这个设计决定背后的基本原理是什么?在我的脑海中,我想不出有什么令人信服的理由不为标量实现该运算符。
最佳答案
作为ajcr建议,您可以通过在要相乘的对象上强制一些最小维度来解决此问题。有两个合理的选择:atleast_1d和 atleast_2d对于 @
返回的类型,它们有不同的结果:标量与 1×1 二维数组。
x = 3
y = 5
z = np.atleast_1d(x) @ np.atleast_1d(y) # returns 15
z = np.atleast_2d(x) @ np.atleast_2d(y) # returns array([[15]])
但是:
np.dot(x, y)
更冗长。 此外,atleast_1d 版本也存在相同的缺陷,该缺陷也会因 scalar @scalar = scalar 而共享:您不知道可以对输出做什么。 z.T
或 z.shape
会抛出错误吗?这些适用于 1×1 矩阵但不适用于标量。在 Python 的设置中,根本不能忽略标量和 1×1 数组之间的区别,而不放弃后者所有的方法和属性。
关于python - 使矩阵乘法运算符@适用于 numpy 中的标量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41186356/
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!