python中numpy数组的计算,python – numpy数组的计算/操作

这里有一些完全矢量化的方法 –

def vectorized_app1(X):

return 1/np.exp(X[:,None] - X[...,None]).sum(1)

def vectorized_app2(X):

exp_vals = np.exp(X)

return 1/(exp_vals[:,None]/exp_vals[...,None]).sum(1)

def vectorized_app3(X):

exp_vals = np.exp(X)

return 1/np.einsum('ij,ik->ij',exp_vals,1/exp_vals)

使用的技巧和经验教训

>使用None / np.newaxis扩展尺寸以引入广播并以矢量化方式执行所有操作.

> np.exp是一项昂贵的操作.因此,在广播的大阵列上使用它将是昂贵的.因此,使用的技巧是：exp(A-B)= exp(A)/ exp(B).因此,我们预先执行np.exp(X),然后执行广播分区.

>这些总和减少可以用np.einsum实现.这带来了内存效率,因为我们不必创建巨大的广播阵列,这会带来巨大的性能提升.

运行时测试 –

In [111]: # Setup input, X

...: np.random.seed(111)

...: J,K = 110,120

...: X = np.random.rand(J,K)

...:

In [112]: %timeit original_approach(X)

1 loop, best of 3: 322 ms per loop

In [113]: %timeit vectorized_app1(X)

10 loops, best of 3: 124 ms per loop

In [114]: %timeit vectorized_app2(X)

100 loops, best of 3: 14.6 ms per loop

In [115]: %timeit vectorized_app3(X)

100 loops, best of 3: 3.01 ms per loop

看起来einsum再次以100倍的加速速度展示了它的魔力！