样例1 axes=0 （二维为叉乘运算）

m1=np.array([0.1,0.2,0.3,0.4,0.5,0.6])
m2=np.array([-0.1, -0.1,0.1, 0.1,0.2,0.2])
m1=m1.reshape((2,3))
m2=m2.reshape((3,2))print(m1.shape)
print(m2.shape)
m3 = np.tensordot(m1,m2, axes=0)print("============================")
print(m3.shape)
print(m3)

运行结果

实际计算过程是

m1 reshape为(6,1) m2 reshape为（1，6）
m1 dot m2 得到m3（6，6）
再把m3reshape为两个输入矩阵shape的串联（2，3，3，2）

更简单的理解就是，把任意维度的两个张量m1(m1s1,m1s2,…m1sn),m2(m2s1,m2s2,…m2sn)压“扁”为一个(N,1)和（1,N）矩阵，然后两个矩阵相乘，再把这个结果矩阵(N,N)做reshape，reshape的结果为两个原始张量shape的串联，即为（m1s1,m1s2,…m1sn,m2s1,m2s2,…m2sn）

样例2 axes=1 （二维为点乘运算）

m1=np.array([0.1,0.2,0.3,0.4,0.5,0.6])
m2=np.array([-0.1, -0.1,0.1, 0.1,0.2,0.2])
m1=m1.reshape((2,3))
m2=m2.reshape((3,2))print(m1.shape)
print(m2.shape)
# 等同于np.dot(m1,m2)
m3 = np.tensordot(m1,m2, axes=1)print("============================")
print(m3.shape)
print(m3)

运行结果,它实际等同于np.dot(m1,m2)

与axes=0的区别在于，它要求m1的最后一维与m2的第一位必须“一致”，这类似于二维矩阵的点乘，相乘后的两个维度“消失”

样例3 axes=2 （default）

m1=np.array([0.1,0.2,0.3,0.4,0.5,0.6])
m2=np.array([-0.1, -0.1,0.1, 0.1,0.2,0.2])
m1=m1.reshape((3,2))
m2=m2.reshape((3,2))print(m1.shape)
print(m2.shape)
# 注意这里的shape是一样的
m3 = np.tensordot(m1,m2, axes=2)print("============================")
print(m3.shape)
print(m3)

类似于axes=1,这里要求m1最后二个维度必须和m1的开始二个维度“一致”，其他维度任意。然后类似与做矩阵乘法，就是对axes=1做了+1扩展。
那么如果维度更高怎么控制呢？这个就是后面采用tuple和list的用法了

样例4 axis为tuple

m1=np.array([0.1,0.2,0.3,0.4,0.5,0.6])
m2=np.array([-0.1, -0.1,0.1, 0.1,0.2,0.2])
m1=m1.reshape((2,3))
m2=m2.reshape((3,2))print(m1.shape)
print(m2.shape)
m3 = np.tensordot(m1,m2, axes=(0,1))print("============================")
print(m3.shape)
print(m3)

这里的tuple含义是，tuple的第一个值是指定m1的第几个维度，第二个值指定m2的第几个维度。
如这里的（0，1），0表示m1的shape（2，3）中的第0个维度，2；1表示m2的shape（3，2）中的第1个维度，2；
注意，这两个指定的维度值必须相等，否则报错。
另一方面可见，这里tuple只能两个元素.

计算维度大于2的情况

如

m1.shape=(4,1,3,2)
m2.shape=(2,3,1,2)

举例：

如果使用np.tensordot(m1,m2, axes=(-1,0))使用的就是m1最后一维2，与m2第0维2
输出的结果shape就是除掉这两位的串联，(4,1,3,3,1,2)
结果计算与之前的算法类似，首先是将m1转换为（413，2）的矩阵，m2转换为（2，312）的矩阵，然后两者矩阵相乘，结果再reshape为(4,1,3,3,1,2)
如果使用np.tensordot(m1,m2, axes=(2,1))使用的就是m1第3维3，与m2第1维3
输出的结果shape就是除掉这两位的串联，(4,1,2,2,1,2)
这里的计算稍微多一步：
axes的重新拼接

对于m1

去掉拿掉的那一维，其他维度“凑紧”后在最后再补上这一维，见下图示例

所以重新拼接后的axes为（0,1,3,2）

对于m2

重新拼接后的axes为（1,0,2,3）

拼接完成后，分别做transpose

m1.transpose(0,1,3,2)
m2.transpose(1,0,2,3)

然后m1 reshape为（4*1*2， 3）， m2 reshape为（3，2*1*2）在做矩阵相乘。
相乘后的结果做reshape(4,1,2,2,1,2)

样例5 axis为list

m1=np.array([0.1,0.2,0.3,0.4,0.5,0.6])
m2=np.array([-0.1, -0.1,0.1, 0.1,0.2,0.2])
m1=m1.reshape((2,3,1))
m2=m2.reshape((3,2,1))print(m1.shape)
print(m2.shape)
m3 = np.tensordot(m1,m2, axes=[(1,0),(0,1)])print("============================")
print(m3.shape)
print(m3)

计算方式同tuple，只不过每个张量维度的选择变成了多个，list中有两个tuple。第一个tuple中指定了m1的维度，第二个tuple中指定了m2的维度

【numpy】tensordot的用法研究相关推荐

（Python）numpy的argmax用法
(Python)numpy的argmax用法解释还是从一维数组出发.看下面的例子. import numpy as np a = np.array([3, 1, 2, 4, 6, 1]) prin ...
numpy.ix_的用法详解
import numpy as np x=np.arange(32).reshape((8,4)) print (x[np.ix_([1,5,7,2],[0,3,1,2])]) x的矩阵是: [[ 0 ...
NumPy之pad()用法
Numpy之pad用法 1.函数说明 1.1.语法 1.2.参数解释 2.一.二维数组填充 2.1.一维数组填充 2.2.二维数组填充 3.三维数组填充 3.1.通道在前[CHW] 3.2.通道在后[ ...
python Numpy 的基础用法以及 matplotlib 基础图形绘制
python Numpy 的基础用法以及 matplotlib 基础图形绘制 1. 环境搭建 1.1 Anaconda anaconda 集成了数据分析,科学计算相关的所有常用安装包,比如Numo ...
python矩阵运算dot_矩阵、张量乘法（numpy.tensordot）的时间复杂度分析
两个大小都是\(N \times N\)的矩阵相乘,如果使用naive的算法,时间复杂度应该是\(\mathcal{O}(N^3)\),如果使用一些高级的算法,可以使幂指数降到3以下.对于一般情况的矩 ...
numpy.random.choice用法
python,numpy中np.random.choice()的用法详解及其参考代码处理数据时经常需要从数组中随机抽取元素,这时候就需要用到np.random.choice().然而choice用法 ...
Python：一篇文章掌握Numpy的基本用法
前言 Numpy是一个开源的Python科学计算库,它是python科学计算库的基础库,许多其他著名的科学计算库如Pandas,Scikit-learn等都要用到Numpy库的一些功能. 本文主要内容 ...
关于Python里的super用法研究
转自:http://blog.csdn.net/johnsonguo/article/details/585193 虽然我现在没看懂,不过先转一个,以后有时间了再看. 一.问题的发现与提出在Pyth ...
numpy.cov()和numpy.var()的用法
在PCA中涉及到了方差var和协方差cov,这里简单总结下. 首先:均值,样本方差,样本协方差的公式为均值:X¯=1N∑Ni=1Xi\bar{X}=\frac{1}{N} \sum_{i=1}^{N ...

【numpy】tensordot的用法研究

样例1 axes=0 （二维为叉乘运算）

样例2 axes=1 （二维为点乘运算）

样例3 axes=2 （default）

样例4 axis为tuple

计算维度大于2的情况

对于m1

对于m2

样例5 axis为list

【numpy】tensordot的用法研究相关推荐

最新文章

热门文章