- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有以下张量执行,
np.einsum('k,pjqk,yzjqk,yzk,ipqt->it', A, B, C, D, E)
(['einsum_path', (0, 3), (1, 3), (0, 2), (0, 1)],
' Complete contraction: k,pjqk,yzjqk,yzk,ipqt->it\n'
' Naive scaling: 8\n'
' Optimized scaling: 5\n'
' Naive FLOP count: 5.530e+04\n'
' Optimized FLOP count: 7.930e+02\n'
' Theoretical speedup: 69.730\n'
' Largest intermediate: 2.400e+01 elements\n'
'--------------------------------------------------------------------------\n'
'scaling current remaining\n'
'--------------------------------------------------------------------------\n'
' 3 yzk,k->yzk pjqk,yzjqk,ipqt,yzk->it\n'
' 5 yzk,yzjqk->jqk pjqk,ipqt,jqk->it\n'
' 4 jqk,pjqk->qp ipqt,qp->it\n'
' 4 qp,ipqt->it it->it')
(['einsum_path', (2, 3), (1, 3), (1, 2), (0, 1)],
' Complete contraction: k,pjqk,yzjqk,yzk,ipqt->it\n'
' Naive scaling: 8\n'
' Optimized scaling: 5\n'
' Naive FLOP count: 5.530e+04\n'
' Optimized FLOP count: 1.729e+03\n'
' Theoretical speedup: 31.981\n'
' Largest intermediate: 4.800e+01 elements\n'
'--------------------------------------------------------------------------\n'
'scaling current remaining\n'
'--------------------------------------------------------------------------\n'
' 5 yzk,yzjqk->jqk k,pjqk,ipqt,jqk->it\n'
' 4 jqk,pjqk->qkp k,ipqt,qkp->it\n'
' 5 qkp,ipqt->tik k,tik->it\n'
' 3 tik,k->it it->it')
最佳答案
对于任何发现这一点的人,更多的阅读揭示了以下内容:
在大多数使用情况下,“贪婪”通常非常高效,可以产生“最佳”解决方案,并且执行速度更快。对于可能在迭代循环中无意中使用 einsum 的一般用户,将“贪婪”保留为默认值可能就足够了。
否则,对于一次性计算,“最佳”的最小额外开销似乎意味着它可以有效地使用,除非对于大量索引,并且它可能会提供很大的提升(如我的情况)。
在循环中,最好的办法是预先计算它(或在第一次迭代中计算并更新一个非局部变量)并将其作为参数提供:
path, display = np.einsum_path('k,pjqk,yzjqk,yzk,ipqt->it', A, B, C, D, E, optimize='optimal')
for i in range(BIG_INT):
# other things
calculation = np.einsum_path('k,pjqk,yzjqk,yzk,ipqt->it', A, B, C, D, E, optimize=path)
# more things
关于Numpy Einsum 路径差异和优化参数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49265044/
我有 2 个数组,其中一个的大小为: A = np.random.uniform(size=(48, 1000000, 2)) 另一个是 B = np.random.uniform(size=(48)
似乎是 numpy 的 einsum功能不适用于 scipy.sparse矩阵。有没有其他方法可以做这些事情einsum可以处理稀疏矩阵吗? 回应@eickenberg 的回答:我想要的特定 eins
我有以下张量执行, np.einsum('k,pjqk,yzjqk,yzk,ipqt->it', A, B, C, D, E) 而且我注意到,当“z”或“q”在维度上扩展时,执行时间确实受到了影响,尽
考虑下面的 3 个数组: np.random.seed(0) X = np.random.randint(10, size=(4,5)) W = np.random.randint(10, size=
我有一个形状为 (n, n) 的矩阵 A 和另一个形状为 (p, n) 的矩阵 b。我需要得到一个矩阵 C 使得 C[i] = (A * b[i, np.newaxis, :]) * b[i, :,
随着最近对 Numpy (1.14) 的更新,我发现它破坏了我的整个代码库。这是基于将默认的 numpy einsum 优化参数从 False 更改为 True。 因此,以下基本操作现在失败了: a
我已经搜索了一种解决方案,使用 einsum 确定行数不相等但列数相等的 numpy 数组的距离。我尝试了各种组合,但唯一能成功的方法是使用以下代码。我显然遗漏了一些东西,文献和众多线程并没有让我更接
我很熟悉einsum在纽比的运作方式。pytorch也提供了类似的功能:torch.einsum()。在功能和性能方面有什么相同点和不同点?在Py火炬文档中提供的信息相当稀少,没有提供任何关于这方面的
我一直在尝试调试某个模型,该模型在重复几次的层中使用 torch.einsum 运算符。 在尝试分析训练期间模型的 GPU 内存使用情况时,我注意到某个 Einsum 操作显着增加了内存使用量。我正在
我正在尝试将三个数组 (A x B x A) 与维度 (19000, 3) x (19000, 3, 3) x (19000, 3) 相乘,这样最后我得到一个大小为 (19000) 的一维数组,所以我
我正在尝试潜入 einsum符号。此 question and answers帮了我很多。 但是现在我不能掌握einsum的机器计算外积时: x = np.array([1, 2, 3]) y = n
想象一下,我有整数,n,q和具有这些维度的向量/数组: import numpy as np n = 100 q = 102 A = np.random.normal(size=(n,n)) B =
我有两个包含兼容矩阵的 numpy 数组,想计算使用 numpy.einsum 的元素明智的外积.数组的形状是: A1 = (i,j,k) A2 = (i,k,j) 因此数组分别包含 i 个形状为 (
我想使用类似 np.dot 或(最好)np.einsum 的东西来有效地执行它们相同的功能,但使用备用 ufunc 而不是 np.multiply。例如,考虑这两个数组: >>> a array([[
我有两个包含兼容矩阵的 numpy 数组,想计算使用 numpy.einsum 的元素明智的外积.数组的形状是: A1 = (i,j,k) A2 = (i,k,j) 因此数组分别包含 i 个形状为 (
为什么这些输出不同?这是有意的行为吗?我使用的是 tensorflow 1.12 import tensorflow as tf matrix = tf.constant([[1, 2, 3],
我有以下 Einstein Sum (einsum) 表达式, import numpy as np x = np.random.rand(1,8,2,8,10) y = np.random.rand
是否有一种优雅的方法可以根据 einsum 的输入参数预先计算 np.einsum 结果的形状(无需运行计算)? # Given a, b and signature with # a.shape =
我已阅读 einsum manual和 ajcr 的 basic introduction 我在非编码环境中对爱因斯坦求和的经验为零,尽管我尝试通过一些互联网研究来弥补这一点(将提供链接,但还没有超过
我尝试寻找答案,但找不到我需要的东西。如果这是一个重复的问题,我们深表歉意。 假设我有一个形状为 (n, n*m) 的二维数组。我想要做的是这个数组与其转置的外部总和,从而产生形状为 (n*m, n*
我是一名优秀的程序员,十分优秀!