3
我想计算以下值对所有i
和j
:NumPy的矩阵运算
M_ki = Sum[A_ij - A_ik - A_kj + A_kk, 1 <= j <= n]
我如何使用NumPy的(Python)的它没有明确的循环呢?
谢谢!
我想计算以下值对所有i
和j
:NumPy的矩阵运算
M_ki = Sum[A_ij - A_ik - A_kj + A_kk, 1 <= j <= n]
我如何使用NumPy的(Python)的它没有明确的循环呢?
谢谢!
下面是解决这类问题的一般策略。
首先,写一个小的脚本,在两个不同的功能明确写入循环,并在最后的测试确保这两个功能是完全一样的:
import numpy as np
from numpy import newaxis
def explicit(a):
n = a.shape[0]
m = np.zeros_like(a)
for k in range(n):
for i in range(n):
for j in range(n):
m[k,i] += a[i,j] - a[i,k] - a[k,j] + a[k,k]
return m
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
for k in range(n):
for i in range(n):
for j in range(n):
m[k,i] += a[i,j] - a[i,k] - a[k,j] + a[k,k]
return m
a = np.random.randn(10,10)
assert np.allclose(explicit(a), implicit(a), atol=1e-10, rtol=0.)
然后,矢量化功能一步一步通过编辑implicit
,在每一步运行脚本,以确保他们继续保持相同:
步骤1
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
for k in range(n):
for i in range(n):
m[k,i] = (a[i,:] - a[k,:]).sum() - n*a[i,k] + n*a[k,k]
return m
步骤2
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
m = - n*a.T + n*np.diag(a)[:,newaxis]
for k in range(n):
for i in range(n):
m[k,i] += (a[i,:] - a[k,:]).sum()
return m
步骤3
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
m = - n*a.T + n*np.diag(a)[:,newaxis]
m += (a.T[newaxis,...] - a[...,newaxis]).sum(1)
return m
的Et瞧'!最后一个没有循环。为了矢量化这种方程,broadcasting是要走的路!
警告:确保explicit
是您想要矢量化的公式。我不确定是否也应该将不依赖于j
的条款加以总结。
真的很好的答案,以及伟大的一般建议! – 2010-09-07 15:18:12
非常感谢。对未来的伟大建议:) – yassin 2010-09-07 15:58:04