将Numpy中的大量矩阵运算矢量化的最快方法是什么? [英] What is the fastest way to "vectorize" a large number of matrix operations in Numpy?
本文介绍了将Numpy中的大量矩阵运算矢量化的最快方法是什么?的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!
问题描述
假设我要在Numpy中做大量的矩阵乘法;最快的方法是什么?
具体来说,假设问题是这样的:我有两个很长的矩阵列表,我想要将它们逐个相乘。也就是说,我有[a_1, a_2, a_3, ..., a_N]
和
[b_1, b_2, b_3, ..., b_N],
其中每个a_i
、b_i
是一个nxn
矩阵(n
是小的,比如n=2
),而N
是大的(比如N = 100000
),我想找出矩阵乘积a_1 * b_1, a_2 * b_2, ...
使用Python和Numpy/Scipy执行此操作的最快方法是什么?
部分选项包括:
- 使用
for
循环--这很慢,因为Python循环很慢。 - 将较小的矩阵放入两个
NxN
块对角线矩阵A
和B
--这将导致必须将一个比所需大得多的矩阵相乘。 - 使用
vectorize
--这是最容易编码的,但并不比for
循环快。
推荐答案
您已经可以将3D数组相乘,只需将数组列表放入NumPy数组即可,例如
A = np.array([a_1, a_2, ..., a_N])
B = np.array([b_1, b_2, ..., b_N])
然后乘以A @ B
(@
是矩阵乘法运算符)。以下是使用两个3x3数组列表的示例:
In [1]: import numpy as np
In [2]: x = np.random.randint(0, 9, (2, 3, 3))
In [3]: y = np.random.randint(0, 9, (2, 3, 3))
In [4]: x
Out[4]:
array([[[0, 4, 8],
[2, 5, 5],
[3, 0, 5]],
[[7, 6, 1],
[7, 0, 7],
[5, 2, 8]]])
In [5]: y
Out[5]:
array([[[7, 2, 6],
[6, 1, 4],
[6, 8, 5]],
[[8, 5, 4],
[8, 2, 7],
[3, 7, 0]]])
In [7]: x @ y
Out[7]:
array([[[ 72, 68, 56],
[ 74, 49, 57],
[ 51, 46, 43]],
[[107, 54, 70],
[ 77, 84, 28],
[ 80, 85, 34]]])
要证明所有这些都是每个矩阵在相应索引处的乘积:
In [8]: x[0]
Out[8]:
array([[0, 4, 8],
[2, 5, 5],
[3, 0, 5]])
In [9]: y[0]
Out[9]:
array([[7, 2, 6],
[6, 1, 4],
[6, 8, 5]])
In [10]: x[0] @ y[0]
Out[10]:
array([[72, 68, 56],
[74, 49, 57],
[51, 46, 43]])
In [11]: (x @ y)[0]
Out[11]:
array([[72, 68, 56],
[74, 49, 57],
[51, 46, 43]])
这篇关于将Numpy中的大量矩阵运算矢量化的最快方法是什么?的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!
查看全文