np.einsum(爱因斯坦求和约定)
欢迎关注我的微信公号:小张Python
einsum
全称 Einstein summation convention(爱因斯坦求和约定),用简单的方式来代表多维数组运算;
矩阵求各元素之和
A=∑i=0n∑j=0naiajA = \sum_{i=0}^n\sum_{j=0}^na_ia_j A=i=0∑nj=0∑naiaj
如果用 einsum函数可表示为
A = np.einsum('i',a)
多矩阵相乘
Cik=∑j=1nAijBjkC_{ik} = \sum_{j=1}^nA_{ij}B_{jk} Cik=j=1∑nAijBjk
表示为
C_i = np.einsum('ij,jk',a,b)
求矩阵的迹
trace=∑i=1nAiitrace = \sum_{i=1}^nA_{ii} trace=i=1∑nAii
用 einsum函数可表示为
trace = np.einsum('ii',a)
对于数组间运算例如矩阵乘积和、沿某一轴点积和;enisum 为多维数组运算提供另外一种表示方式,指定的下标标签列表,用逗号隔开;enisum
函数在 numpy ,Pytorch,Tensorflow 都有实现,使用方式如下
np.einsum(subscripts:str,operands:list of array_like)
函数中参数 subscripts 为字符串类型,表示运算命令,例如 "ii","ij,jk"
参数 operands 代表需要计算的数组或数组列表;
enisum 中 subscrpts 参数的字符串形式有两种方式:
1,implicit(隐式模式)
不包含->
标识符和输出标签;输出数组会根据选择的下标顺序进行排序,例如 np.einsum('ij',a)
得到的二维数组无变化,但 np.einsum('ji',a)
需要对输出数组进行转置 (i ,j 轴互换
)操作
2,explicit(显式模式)
包含 标识符->
及输出标签,能够增加函数的灵活性,例如调用 np.einsum('i->',a)
效果类似于 np.sum(a,axis = -1)
;而 np.einsum('ii->i',a)
等同于 np.diag(a)
;另外在显式模式中,会直接指定输出数组下标顺序,例如 np.einsum('ij,jh->ih',a,b)
表示矩阵相乘;目前下面运算都可用 enisum
函数表示;
- 求一个数组的迹,
numpy.trace
; - 返回对角线,
numpy.diag
- 对数组沿某个轴求和,
numpy.sum
- 数组转置,
numpy.transpose
- 矩阵相乘或点积,
numpy.matmul,numpy.dot
- 向量内积外积,
numpy.inner,numpy.outer
- 广播,逐像素相乘,或标量相乘,
numpy.multiply
- 张量收缩,
numpy.tensorbot
关于 np.enisum()
函数举几个栗子:
>>> a = np.arange(25).reshape(5,5)
>>> b = np.arange(5)
>>> c = np.arange(6).reshape(2,3)
1,计算矩阵的迹
>>> np.einsum('ii...->...i',a)
array([-0.796318 , 0.08363816, -0.79171551, 0.36235911])
>>> np.einsum('i...i',a)
-1.1420362461348776
>>> a
array([[-0.796318 , 1.54759498, -0.744291 , 0.02107445],[ 0.03826498, 0.08363816, 0.92709203, 0.04769788],[ 0.39088153, -0.85566069, -0.79171551, -1.50750047],[-1.16165527, 0.77327936, 0.44133708, 0.36235911]])
>>> np.trace(a)
-1.1420362461348776
2,矩阵相乘
>>> b =np.random.rand(4,5)
>>> np.einsum('ij...,jk...->ik...',a,b)
array([[-0.207485 , 0.37929742, -1.14191507, -0.30398675, -0.59431733],[ 0.03389816, 0.10101184, 0.78917293, 0.41502013, 0.37634113],[-0.3499671 , -0.45043889, -1.67700784, -0.68798725, -0.49966522],[-0.2186732 , -0.30529867, -0.21863002, 0.02300085, -0.50540297]])
>>> np.matmul(a,b)
array([[-0.207485 , 0.37929742, -1.14191507, -0.30398675, -0.59431733],[ 0.03389816, 0.10101184, 0.78917293, 0.41502013, 0.37634113],[-0.3499671 , -0.45043889, -1.67700784, -0.68798725, -0.49966522],[-0.2186732 , -0.30529867, -0.21863002, 0.02300085, -0.50540297]])
3,对角线 diag
>>> np.einsum('ii->i',a)
array([ 0, 6, 12, 18, 24])
>>> np.diag(a)
array([ 0, 6, 12, 18, 24])
4,沿数组某一轴求和(需要在 explicit 模式下运行)
>>> # 沿着某一轴求和,显示模式运行
>>> np.einsum('ij->i',a)
array([ 10, 35, 60, 85, 110])
d
>>> np.sum(a,axis = 1)
array([ 10, 35, 60, 85, 110])
5,数组转置,改变轴顺序
>>> # 计算数组转置,对某些轴重新排序
>>> c
array([[0, 1, 2],[3, 4, 5]])
>>> np.einsum('ji',c)
array([[0, 3],[1, 4],[2, 5]])
>>> np.transpose(c)
array([[0, 3],[1, 4],[2, 5]])
6,inner(计算内积)
>>> np.einsum('i,i',b,b)
30
>>> b
array([0, 1, 2, 3, 4])
>>> np.inner(b,b)# 一维数组,逐像素乘积和
30
7,矩阵点乘
>>> np.einsum('ij,j',a,b)
array([ 30, 80, 130, 180, 230])
>>> np.dot(a,b)
array([ 30, 80, 130, 180, 230])
>>> a
array([[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14],[15, 16, 17, 18, 19],[20, 21, 22, 23, 24]])
>>> b
array([0, 1, 2, 3, 4])
>>> np.dot(a[-1],b)# Test
230
8,张量数组相乘
>>> np.einsum(',ij',3,c)
array([[ 0, 3, 6],[ 9, 12, 15]])
>>> np.multiply(3,c)
array([[ 0, 3, 6],[ 9, 12, 15]])
>>> # 向量外积
8,广播机制,outer
>>> b
array([0, 1, 2, 3, 4])
>>> np.einsum('i,j',np.arange(2)+1,b)
array([[0, 1, 2, 3, 4],[0, 2, 4, 6, 8]])
>>> np.outer(np.arange(2)+1,b)
array([[0, 1, 2, 3, 4],[0, 2, 4, 6, 8]])
9,Tensor contraction,数组收缩沿着某一轴相乘
>>> a = np.arange(60).reshape(3,4,5)
>>> b = np.arange(24).reshape(4,3,2)
>>> np.einsum('ijk,jil->kl',a,b)
array([[4400, 4730],[4532, 4874],[4664, 5018],[4796, 5162],[4928, 5306]])
>>> np.tensordot(a,b,axes = [[1,0],[0,1]])
array([[4400, 4730],[4532, 4874],[4664, 5018],[4796, 5162],[4928, 5306]])
注:在 numpy 版本 1.12.0 之后,einsum
加入了 optimize
参数,用来优化 contraction
操作,对于 contraction
运算部分,操作的数组包含三个或三个以上,optimize
参数设置能提高计算效率,减小内存占比;
Reference:
1,https://zhuanlan.zhihu.com/p/71639781
2,https://numpy.org/doc/stable/reference/generated/numpy.einsum.html
np.einsum(爱因斯坦求和约定)相关推荐
- tf.einsum—爱因斯坦求和约定
1. einsum记法 如果你像我一样,发现记住PyTorch/TensorFlow中那些计算点积.外积.转置.矩阵-向量乘法.矩阵-矩阵乘法的函数名字和签名很费劲,那么einsum记法就是我们的救星 ...
- 一文掌握爱因斯坦求和约定 einsum
爱因斯坦跟 NumPy 有关系吗?没有,但他提出了一个针对数学公式的符号简化办法,即爱因斯坦求和约定(Einstein Summation Convention)或者叫爱因斯坦标记法(Einstein ...
- 【深度学习】爱因斯坦求和约定(einsum)
import tensorflow as tf print(tf.__version__) 2.0.0 一.爱因斯坦求和约定(einsum)的介绍 爱因斯坦求和约定是一种对复杂张量运算的优雅表达方式. ...
- 爱因斯坦求和约定 含代码einsum
目录 一.简介 1.哑标 2.自由标 二.torch实现 1.计算迹 2.取矩阵对角线 3.计算外积 4.batch矩阵乘法 5.带有子列表和省略号 6.变换维度 7.双线性变换,类似于torch.n ...
- einsum爱因斯坦求和(numpy)
0. 爱因斯坦求和约定(Einstein Notation) 在数学中,爱因斯坦求和约定是一种标记法,也称为Einstein Summation Convention,在处理关于坐标的方程式时十分有效 ...
- TensorRT - 喜大普奔,TensorRT8.2 EA起开始支持Einsum爱因斯坦求和算子
1 TensorRT 8.2 EA版本支持爱因斯坦求和算子Einsum NVIDIA在2021年10月6日发布的TensorRT新版本 8.2 Early Access版本终于开始支持爱因斯坦求和算子 ...
- MindSpore爱因斯坦求和约定API解析【mindspore.ops.Einsum】
官方文档写了个寂寞,既非中文也只有示例没有解释,这谁看得懂?总体而言,这个API功能强大,但是,撰写API文档技术有待提高哈.接下来是本人实际测试该API的结果: 符号和参数: mindspore.o ...
- python 笔记:爱因斯坦求和 einsum
1 einsum简介 使用爱因斯坦求和约定,可以以简单的方式表示许多常见的多维线性代数数组运算. 给定两个矩阵A和B,我们想对它们做一些操作,比如 multiply.sum或者transpose等.虽 ...
- 爱因斯坦求和约定在Python扩展库Numpy中的实现
推荐教材: <Python数据分析.挖掘与可视化>(慕课版)(ISBN:978-7-115-52361-7),董付国,人民邮电出版社,定价49.8元,2020年1月出版,2021年12月第 ...
最新文章
- Android 阻隔返回键
- JavaEE笔记(五)
- NASA PHM数据集相关
- 遍历二维数组_Java编程基础阶段笔记 day06 二维数组
- 输出以下图案菱形7行_春夏格子图案超流行,三木的一款格子连衣裙,带来田园少女风...
- isis软件_小白学单片机:单片机电路仿真利器-Protues仿真软件的使用(1)
- python 编译成exe黑屏_python''外星人入侵''打包成exe遇到的问题和解决办法,闪退,黑屏。...
- 高效的敏捷测试第十三课 自动化测试、用例测试、接口测试、大数据测试
- linux程序员实用教程,Linux教程合集(Linux程序员必备)
- WinPcap vs Npcap
- rls自适应滤波器matlab实现,Matlab自适应滤波器设计Demo——LMS,RLS
- 智能工厂ERP解决方案
- 计算机类的本科学校有哪些专业考研,计算机专业考研学校推荐有哪些
- 被誉为现代电子计算机之父是,成教云: 人们习惯上尊称图灵为现代电子计算机之父。...
- 只需操作这三步,轻松找回电脑上被删除的文件
- 关于 QMessageBox定制大小重写showEvent失败的 解决方法
- win10修改系统字体(替换OneNote中Calibri字体)
- 螺旋探索与自适应混合变异的麻雀搜索-附代码
- FPGA经验谈系列文章——FPGA资源评估
- 异方差下的OLS估计无效性
热门文章
- OSChina 周六乱弹 —— 篮球都不想跟你回家了
- 计算机软件硬件边界如何定义,软件定义汽车,但别忘了硬件定义了软件的边界...
- JDBC_数据库连接池的使用
- XSS靶场level15详细通关教程
- 使用git下载项目到本地,指定本地文件夹位置的三种方式
- 概率矩阵分解(Probabilistic Matrix Factorization)
- Winform的消息提示框帮助类
- 智慧城市应急指挥中心数字化及城市数字化驾驶舱建设方案
- Python复健练习:爬取58同城房产月租及户型加密字体
- 全球有多少C++、Java、PHP、Python程序员?