[英]Python Numpy matrix multiplication in high dimension
我試圖在numpy
中尋找矩陣運算,這將加速以下計算。
我有兩個3D矩陣A
和B
第一個維度表示示例,它們都有n_examples
示例。 我想要實現的是在A和B中對每個例子加點產品並對結果求和:
import numpy as np
n_examples = 10
A = np.random.randn(n_examples, 20,30)
B = np.random.randn(n_examples, 30,5)
sum = np.zeros([20,5])
for i in range(len(A)):
sum += np.dot(A[i],B[i])
這是np.tensordot()
的典型應用程序:
sum = np.tensordot(A, B, [[0,2],[0,1]])
定時
使用以下代碼:
import numpy as np
n_examples = 100
A = np.random.randn(n_examples, 20,30)
B = np.random.randn(n_examples, 30,5)
def sol1():
sum = np.zeros([20,5])
for i in range(len(A)):
sum += np.dot(A[i],B[i])
return sum
def sol2():
return np.array(map(np.dot, A,B)).sum(0)
def sol3():
return np.einsum('nmk,nkj->mj',A,B)
def sol4():
return np.tensordot(A, B, [[2,0],[1,0]])
def sol5():
return np.tensordot(A, B, [[0,2],[0,1]])
結果:
timeit sol1()
1000 loops, best of 3: 1.46 ms per loop
timeit sol2()
100 loops, best of 3: 4.22 ms per loop
timeit sol3()
1000 loops, best of 3: 1.87 ms per loop
timeit sol4()
10000 loops, best of 3: 205 µs per loop
timeit sol5()
10000 loops, best of 3: 172 µs per loop
在我的計算機上, tensordot()
是最快的解決方案,並且更改軸的評估順序並沒有改變結果和性能。
哈,它可以在一行中完成: np.einsum('nmk,nkj->mj',A,B)
。
見愛因斯坦總結: http : //docs.scipy.org/doc/numpy/reference/generated/numpy.einsum.html
不一樣的問題但是這個想法是完全相同的,請參閱我們剛剛討論過的這個主題中的討論和替代方法: numpy multiply矩陣保留第三軸
不要命名變量sum
,而是覆蓋內置sum
。
正如@Jaime指出的那樣,對於這些尺寸的尺寸,環路實際上更快。 實際上,基於map
和sum
的解決方案雖然更簡單,但速度更慢:
In [19]:
%%timeit
SUM = np.zeros([20,5])
for i in range(len(A)):
SUM += np.dot(A[i],B[i])
10000 loops, best of 3: 115 µs per loop
In [20]:
%timeit np.array(map(np.dot, A,B)).sum(0)
1000 loops, best of 3: 445 µs per loop
In [21]:
%timeit np.einsum('nmk,nkj->mj',A,B)
1000 loops, best of 3: 259 µs per loop
大尺寸的東西是不同的:
n_examples = 1000
A = np.random.randn(n_examples, 20,1000)
B = np.random.randn(n_examples, 1000,5)
和:
In [46]:
%%timeit
SUM = np.zeros([20,5])
for i in range(len(A)):
SUM += np.dot(A[i],B[i])
1 loops, best of 3: 191 ms per loop
In [47]:
%timeit np.array(map(np.dot, A,B)).sum(0)
1 loops, best of 3: 164 ms per loop
In [48]:
%timeit np.einsum('nmk,nkj->mj',A,B)
1 loops, best of 3: 451 ms per loop
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.