机器学习 - Python - numpy.einsum()

已于 2023-09-05 15:33:47 修改
阅读量482 收藏 2
点赞数
文章标签： python numpy 机器学习
于 2023-05-26 14:32:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/galoiszhou/article/details/130886186
版权
本文介绍了numpy库中的np.einsum函数，它用于执行各种复杂的张量运算，包括对角线元素提取、矩阵转置、向量内积、矩阵向量乘法、张量收缩等，并通过实例展示了其在处理多维数组时的灵活性和效率。
摘要由CSDN通过智能技术生成

机器学习记录

np.einsum()是numpy中的一个万能函数,可以进行广泛的张量积运算。它通过一系列缩写表示法,计算多维数组之间的相乘积。

import numpy as np

a = np.arange(25).reshape(5,5)
b = np.arange(5)
c = np.arange(6).reshape(2,3)

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])

c

array([[0, 1, 2],
       [3, 4, 5]])

# 对角线之和
np.einsum('ii', a)

60

# 对角线之和
np.trace(a)

60

# 对角线之和
np.einsum(a, [0, 0])

60

# 对角线向量
np.einsum('ii->i', a)

array([ 0,  6, 12, 18, 24])

# 对角线向量
np.diag(a)

array([ 0,  6, 12, 18, 24])

# 对角线上元素 组成的向量
np.einsum(a, [0, 0], [0])

array([ 0,  6, 12, 18, 24])

# Sum over an axis (requires explicit form):
# 对一个轴求和（需要明确的形式）：
# 每行元素和 组成的向量
np.einsum('ij->i', a)

array([ 10,  35,  60,  85, 110])

np.einsum(a, [0,1], [0])

array([ 10,  35,  60,  85, 110])

np.sum(a, axis=1)

array([ 10,  35,  60,  85, 110])

np.einsum('...j->...', a)

array([ 10,  35,  60,  85, 110])

np.einsum(a, [Ellipsis,1], [Ellipsis])

array([ 10,  35,  60,  85, 110])

# 每列元素和 组成的向量
np.einsum('ij->j', a)

array([50, 55, 60, 65, 70])

np.einsum(a, [1,0], [0])

array([50, 55, 60, 65, 70])

np.sum(a, axis=0)

array([50, 55, 60, 65, 70])

# Compute a matrix transpose, or reorder any number of axes:
# 矩阵转置
np.einsum('ji', c)

array([[0, 3],
       [1, 4],
       [2, 5]])

np.einsum('ij->ji', c)

array([[0, 3],
       [1, 4],
       [2, 5]])

np.einsum(c, [1,0])

array([[0, 3],
       [1, 4],
       [2, 5]])

np.transpose(c)

array([[0, 3],
       [1, 4],
       [2, 5]])

# Vector inner products:
# 向量内积：
# 1. 向量, 2. 元素自己相乘和求和
np.einsum('i,i', b, b)

30

np.einsum(b, [0], b, [0])

30

np.inner(b,b)

30

# Matrix vector multiplication:
# 矩阵向量乘法：
np.einsum('ij,j', a, b)

array([ 30,  80, 130, 180, 230])

np.einsum(a, [0,1], b, [1])

array([ 30,  80, 130, 180, 230])

np.dot(a, b)

array([ 30,  80, 130, 180, 230])

np.einsum('...j,j', a, b)

array([ 30,  80, 130, 180, 230])

# Broadcasting and scalar multiplication:
# 矩阵乘以系数
np.einsum('..., ...', 3, a)

array([[ 0,  3,  6,  9, 12],
       [15, 18, 21, 24, 27],
       [30, 33, 36, 39, 42],
       [45, 48, 51, 54, 57],
       [60, 63, 66, 69, 72]])

np.einsum(',ij', 3, c)

array([[ 0,  3,  6],
       [ 9, 12, 15]])

np.einsum(3, [Ellipsis], c, [Ellipsis])

array([[ 0,  3,  6],
       [ 9, 12, 15]])

np.multiply(3, c)

array([[ 0,  3,  6],
       [ 9, 12, 15]])

# Vector outer product:
# 向量外积：
# a0*b0 + a0*b1 + a0*b2 +...
# a1*b0 + a1*b1 + a1*b2 +...
# ...
np.einsum('i,j', np.arange(2)+1, b)

array([[0, 1, 2, 3, 4],
       [0, 2, 4, 6, 8]])

np.einsum(np.arange(2)+1, [0], b, [1])

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]])

# Tensor contraction:
# 张量收缩：
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.einsum(a, [0,1,2], b, [1,0,3], [2,3])

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.]])

# Writeable returned arrays
# 可写返回数组
# 设置 元素的值
a = np.zeros((3, 3))
np.einsum('ii->i', a)[:] = 1
a

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

# Example of ellipsis use
# 省略号使用示例
a = np.arange(6).reshape((3,2))
b = np.arange(12).reshape((4,3))
np.einsum('ki,jk->ij', a, b)

array([[10, 28, 46, 64],
       [13, 40, 67, 94]])

np.einsum('ki,...k->i...', a, b)

array([[10, 28, 46, 64],
       [13, 40, 67, 94]])

np.einsum('k...,jk', a, b)

array([[10, 28, 46, 64],
       [13, 40, 67, 94]])

a = np.ones(64).reshape(2,4,8)
a

array([[[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]],

       [[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]]])

for iteration in range(500):
    _ = np.einsum('ijk,ilm,njm,nlk,abc->',a,a,a,a,a)
a

array([[[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]],

       [[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]]])

for iteration in range(500):
    _ = np.einsum('ijk,ilm,njm,nlk,abc->',a,a,a,a,a, optimize='optimal')
a

array([[[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]],

       [[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]]])

for iteration in range(500):
    _ = np.einsum('ijk,ilm,njm,nlk,abc->',a,a,a,a,a, optimize='greedy')
a

array([[[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]],

       [[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]]])

path = np.einsum_path('ijk,ilm,njm,nlk,abc->',a,a,a,a,a, optimize='optimal')[0]
for iteration in range(500):
    _ = np.einsum('ijk,ilm,njm,nlk,abc->',a,a,a,a,a, optimize=path)
a

array([[[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]],

       [[1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1., 1., 1.]]])

官方文档

草明
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python任意累积_python numpy einsum用法及代码示例
weixin_39560002的博客
12-20 890
在操作数上评估爱因斯坦求和约定。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。在隐式模式下einsum计算这些值。在显式模式下，einsum通过禁用或强制对指定的下标标签求和，可以提供更大的灵活性来计算其他数组操作，而这些操作可能不被视为经典的爱因斯坦求和操作。请参阅注释和示例以进行澄清。参数：subscripts： ： str将要求和的下标指定为下标标签的逗号分隔列表...
盘一盘 Python 特别篇 23 - 爱因斯坦求和 einsum
weixin_38753422的博客
09-18 634
本文含10083字，18图表截屏建议阅读52分钟本文是 Python 系列的特别篇的第二十三篇特别篇 1 -PyEcharts TreeMap特别篇2 - 面向对象编程特别篇 3 - 两大利「器」特别篇4-装饰器特别篇 5-Sklearn 0.22特别篇 6- Jupyter Notebook特别篇 7-格式化字符串特别篇 8 -正则表达式特别篇 9-正则表达式...
python 笔记：爱因斯坦求和 einsum
qq_40206371的博客
09-02 1620
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。虽然numpy里面有可以直接使用的接口，能够实现这些功能，但是使用enisum可以做的更快、更节省空间。 举例说明，我们现在有两个矩阵A和B。我们想计算A和B的哈达玛乘积（即逐元素乘积），然后按行求和。 import numpy as np A = ...
【Python】torch.einsum()解析
Danger的博客
03-05 2912
【Python】torch.einsum()解析
np.einsum函数
mystyle_的博客
09-03 464
https://cloud.tencent.com/developer/article/1369762
einsum详解：一个函数包揽张量乘法
qq_38056431的博客
02-20 1888
环境 Windows 10，Python 3.10.0，NumPy 1.21.5 设置numpy随机数种子： import numpy as np np.random.seed(42) 问题导入 矩阵乘法是这样定义的： Mij=∑kAikBkj=AikBkj M_{ij} = \sum_k A_{ik}B_{kj} = A_{ik}B_{kj} Mij​=k∑​Aik​Bkj​=Aik​Bkj​ 假设A,BA, BA,B都是3×33\times 33×3矩阵，将上述矩阵乘法展开将是这个样子： [a11a
numpy-1.8.0.zip
最新发布
02-13
《numpy-1.8.0.zip：Python中的科学计算库Numpy详解》 ...无论是在数据分析、机器学习还是数值模拟等领域，Numpy都扮演着至关重要的角色。了解并熟练掌握Numpy，能显著提升你在处理大量数值数据时的效率和效果。
Python 使用OpenCV计算机视觉（一篇文章从零毕业）【附带OCR文字识别项目、停车场车位智能识别项目】
Null的博客
06-25 5608
Python使用OpenCV进行计算机视觉处理，一文上手，直接毕业。自带停车场车位智能识别项目。由浅入深，无基础亦可学。
安装Paddle-ChatDocuments大模型
2301_81887304的博客
01-02 1715
利用LangChain和ChatGLM-6B系列模型制作的Webui, 提供基于本地知识的大模型应用.
一文轻松掌握深度学习框架中的einsum
OneFlow深度学习框架
02-24 3450
导语：本文主要介绍了如何理解 PyTorch 中的爱因斯坦求和 （einsum） ，并结合实际例子讲解和 PyTorch C++实现代码解读，希望读者看完本文后掌握 einsum 的基本用...
python——numpy 常用操作
Devin
04-30 1727
NumPy 是 Python 语言的一个扩充程序库，支持大量高维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。同时NumPy 是机器学习必不可少的工具之一。 常用操作主要有： 创建数组 数组运算 数学函数 数组切片和索引 数组形状操作 数组排序 数组统计 环境 Python 3.6 NumPy: 1.14.2 1、导包 import numpy as np 2...
Python的torch.einsum计算方法
昊大侠的博客
11-14 5252
涉及以下内容 简述 爱因斯坦求和约定（einsum）具有简洁优雅的规则，实现包括但不限于：向量内积，向量外积，矩阵乘法，转置和张量收缩等张量操作 例如 a = torch.rand(3, 4)，b = torch.rand(4, 5)，c = torch.einsum("ik,kj->ij", [a, b]) # einsum 的第一个参数 "ik,kj->ij" 描述张量的计算规则，且维度的字符只能是26个英文字母 'a' - 'z' # einsum 的第一个参数可以不写包括箭头在内的右
python中numpy的一些用法
AManFromEarth的博客
07-31 641
1.np.unique() 删除array里面的重复数字 a = np.array([1,1,2,3,1,5]) print(np.unique(a)) 结果： [1 2 3 5]
Python/Numpy之点积叉积内积外积张量积
热门推荐
Snfiltration
07-07 2万+
Python/Numpy之点积叉积内积外积张量积 内积（内积、标量积、数量积、点积、点乘）a与b的内积为 a·b = |a||b|cos∠(a, b)，结果为标量（一个数） 外积（叉乘）：向量a与b的外积a×b是一个向量，其长度等于|a×b| = |a||b|sin∠(a,b)，其方向正交于a与b。并且，(a,b,a×b)构成右手系。(外积是张量积的一种形式) 张量积：Kronecker product a⊗b 1.内积、外积、张量积、对应元素相乘 内积：innerx = np.dot(arr1,ar
np.einsum函数用法
Ann的博客
12-20 3981
简介： 用法： 函数语法： numpy.einsum(subscripts, *operands, out=None, dtype=None, order='K', casting='safe', optimize=False) 函数作用： 将向量插入某一行或列 参数说明： subscripts：str        指定求和的下标 operands...
python数列求和_Python-了解NumPy的einsum
weixin_39801158的博客
11-25 768
小编典典einsum是做什么的？假设我们有两个多维数组，A和B。现在假设我们要…乘 A用B一种特殊的方式来创造新的产品阵列; 然后也许沿特定轴求和该新数组；然后也许以特定顺序转置新数组的轴。有一个很好的机会，einsum可以帮助我们做到这一点更快，内存更是有效的NumPy的功能组合，喜欢multiply，sum和transpose允许。einsum是如何工作的？这是一个简单（但并非完全无关紧要）的...
NumPy中的einsum函数是什么？einsum函数如何使用？一篇文章告诉你
whale52hertz的博客
11-06 1781
NumPy中的einsum函数是什么？einsum函数如何使用？ 我在网上发现了一篇相关的文章，描述的十分清楚。 贴上链接：NumPy中的einsum函数是什么？einsum函数如何使用？...
numpy.einsum()使用方法
人无远虑，必有近忧
09-15 3675
einsum函数是 Numpy 库非常出色的计算函数之一。einsum函数非常灵活，也非常高效，运行时占用的存储空间很小。不过einsum函数这么多优异的特点不是没有代价的——要想灵活的使用它，就需要花一些时间了解它。 网络上已经有不少内容介绍einsum函数的基本原理和实现，所以本文不对这些内容再做赘述，相反，这里只是做一些相对易懂的基本介绍，重点在于介绍如何使用它。.........
基础学习——爱因斯坦求和、 einsum函数用法（pytorch）
Chaoy6565的博客
12-07 1491
这个函数也是偶然间遇到的，觉得还挺好使的。爱因斯坦求和是一种对求和公式简洁高效的记法，其原则是当变量下标重复出现时，即可省略繁琐的求和符号。 ->符号就相当于等号，->左边为输入，右边为输出。 还是直接看程序吧。
-- Python checking for numpy module -- Python checking for numpy module - "import numpy" failed (is it installed?) -- -- Python checking for ruamel.yaml module -- Python checking for ruamel.yaml module - "import ruamel.yaml" failed (is it installed?) -- -- Configuring LibUHD support... -- Dependency Boost_FOUND = TRUE -- Dependency HAVE_PYTHON_MODULE_MAKO = FALSE CMake Error at cmake/Modules/UHDComponent.cmake:59 (message): Dependencies for required component LibUHD not met. Call Stack (most recent call first): CMakeLists.txt:433 (LIBUHD_REGISTER_COMPONENT) -- Configuring incomplete, errors occurred! See also "/home/firefly/workarea/uhd/host/build/CMakeFiles/CMakeOutput.log". See also "/home/firefly/workarea/uhd/host/build/CMakeFiles/CMakeError.log".
06-13
根据错误提示，看起来是缺少了一些依赖库，包括numpy和ruamel.yaml。可以尝试按以下步骤安装这些依赖库： 1. 安装numpy依赖库： ``` sudo apt-get install python-numpy ``` 2. 安装ruamel.yaml依赖库： ``` sudo apt-get install python-ruamel.yaml ``` 安装完成后，重新编译UHD即可。如果问题仍然存在，可以尝试检查是否缺少其他依赖库。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值