我们知道python中 for 循环的效率是不高的,相比之下,直接运用矩阵向量操作(如点乘)可以让代码运行更快。因为在复现paper时候遇到了这样的问题,在这里总结一下我的解决方法。
[None, :, :] 介绍
通过None indexing,可以将一个二维矩阵扩展成一个三维矩阵,算是一种 broadcasting吧。一个大小为[a, b]的矩阵M,在A=M[None, :, :]操作下,A的大小变为[1, a, b],就相当于在第一维度下有一个大小为[a, b]的矩阵。
类似的,还有[:, None, :],[:, :, None]操作。
[a, b]–>[:, None, :]–>[a, 1, b]
[a, b]–>[:, :, None]–>[a, b, 1]
总之,None 的作用就是在相应的位置上增加了一个维度,在这个维度上只有一个元素。
具体来看一下一个例子。
import numpy as np
matrix = np.array([[1,2,3],[4,5,6]])
None_1 = matrix[None,:,:]
None_2 = matrix[:,None,:]
None_3 = matrix[:,:,None]
matrix_T = matrix.T
None_1_T = matrix_T[None,:,:]
None_2_T = matrix_T[:,None,:]
None_3_T = matrix_T[:,:,None]
结果如下
通过None Indexing 的操作可以将矩阵分解成几块,然后再利用np.sum就可以简化求和操作了,这一块下一篇博客会介绍,敬请期待~
更新:[https://blog.csdn.net/TigerTai98/article/details/116508221] (加速求和) 这篇博客介绍了一种加速求和的办法