如何使用我的numpy数组（3000,3）和（3,2,3000）进行广播

Question

我有2个阵列，目前形状为v1 =（3000,3），v2 =（3,2,3000）。 3000是时间维度，因此v1具有3000（1,3）个样本，v2具有3000（3,2）个样本。我希望沿着3000维进行矩阵乘法和广播，以便得到3000（1,2）个向量作为回报。

我尝试过重塑，以便v1 =（1,3,3000）和v2 =（3,2,300），这会产生一个错误，表示形状没有对齐。

码：

v1 = np.ones((1,3,3000)) +1
v2 = np.ones((3,2,3000)) - 0.5
np.dot(v1,v2)

Answer 1

随着qazxsw poi的形状qazxsw poi和qazxsw poi作为qazxsw poi，我们可以使用v1 -

(3000,3)

这给了我们一个形状v2的输出。

我们可以在(3,2,3000)玩np.einsum arg。使用np.einsum('ij,jki->ik',v1,v2) ，它在内部利用(3000,2)，并使用optimize度假村进行简单的C循环。那种np.einsum方式也需要一些设置工作。因此，如果轴的长度适当减少，我们可能希望将该标志设置为optimize = True和BLAS。在这种情况下，似乎那些轴确实很短，所以我们可能更好地使用默认值：optimize = False输入。

Answer 2

我建议你不要使用BLAS旗，因为它有效率，出于一些奇怪的原因。此外，我建议您明确地将2D数组推广到3D，执行批处理矩阵乘法，然后挤压结果数组的单例维度，如果最后需要2D数组作为最终结果。请找到以下代码：

True

因此，正如我们从上面的时间中看到的那样，我们获得了大约。通过不使用False标志2倍加速。此外，明确地将数组整形为3D可以更好地理解当我们使用optimize = False时发生的事情。

注意：时间是使用最新的NumPy版本optimize=True进行的

---

附：了解更多关于

# sample arrays
In [25]: v1 = np.random.random_sample((3000, 3))
In [26]: v2 = np.random.random_sample((3, 2, 3000))

# Divakar's approach
In [27]: %timeit np.einsum('ij,jki->ik',v1,v2, optimize=True)
80.7 µs ± 792 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# needed for future use
In [28]: res_optimized = np.einsum('ij,jki->ik',v1,v2, optimize=True)

# promoting to 3D array and swapping axes
In [29]: v1 = v1[:, np.newaxis, :]
In [30]: v2 = np.moveaxis(v2, 2, 0)

# perform batch matrix multiplication
In [31]: %timeit np.einsum("bij, bjk -> bik", v1, v2)
47.9 µs ± 496 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# for sanity checking
In [32]: res = np.einsum("bij, bjk -> bik", v1, v2)

In [33]: res.shape, res_optimized.shape
Out[33]: ((3000, 1, 2), (3000, 2))

# squeeze the singleton dimension and perform sanity check with Divakar's approach
In [34]: np.allclose(res.squeeze(), res_optimized)
Out[34]: True

的信息