numpy的：广播矩阵相乘翻过阵列

我有一个3xN阵列，概念上的N 3-矢量阵列，我要建构阵列从矩阵给定3x3矩阵与阵列的每一列乘以结果。有没有一种以矢量化的方式做到这一点的好方法？numpy的：广播矩阵相乘翻过阵列

目前，我的问题是3xN，但我将来可能需要考虑3xNxM（或更多）。

糊涂的做法

U=numpy.rand([3,24]) 

R=numpy.eye(3) # placeholder 

for i in xrange(U.shape[1]): 
    U[:,i]=numpy.dot(R, U[:,i])

来源

2014-04-09 Dave

在这里看到我的答案：http://stackoverflow.com/a/22081723/553404 – YXD

@MrE的答案是相当不错的，对于我的形状（3xN），我避免了你在那里提到的转置。 – Dave

使用np.einsum函数，即使对于多di大小问题：

U = np.random.rand(3,24,5) 
R = np.eye(3,3) 
result = np.einsum("ijk,il", U,R)

该符号有点棘手：您首先给出的字符串指出了数组维度的单元;所以对于U而言，ijk是每个维度的运行余量。它遵循爱因斯坦求和惯例，所以在字符串中具有相同字母的元素将被求和。详情请参阅ScipyDocs。我敢肯定在你的情况下，点更快，因为开销更少，它可能会使用一些例程，但正如你所说，你想扩展到更多维度，这可能是一条路。

来源

2014-04-09 21:00:21 Magellan88

在实际的基准测试中，Einsum经常拉开序幕。特别是在这些涉及小尺寸收缩的情况下。我想通过gufunc机制来调用BLAS;也就是说，每个微小的子矩阵都有一个单独的BLAS调用。在这样的情况下，BLAS会因O（N）的开销而受到影响，这会很快压倒Einsum的O（1）开销。 –

在这种情况下，你可以简单地调用np.dot(R, U)，它会工作：

import numpy as np 

np.random.seed(0) 

U = np.random.rand(3,24) 
R = np.random.rand(3,3) 

result = np.empty_like(U) 

for i in range(U.shape[1]): 
    result[:,i] = np.dot(R, U[:,i]) 

print result 

print np.allclose(result, np.dot(R, U))

对于(3xNxM)情况下，你可以重塑到（3次（NM）），dot和重塑结果回来，类似于我的回答here

来源

2014-04-09 17:41:27 YXD

我认为使用np.dot时，可以实际上是要走的路，因为它经常使用真正快速的库，如Blas或Lapack进行了高度优化。 – Magellan88

numpy的：广播矩阵相乘翻过阵列

回答

相关问题