python求爱因斯坦阶梯_Python(Numpy)————爱因斯坦求和约定

爱因斯坦求和约定

爱因斯坦求和约定(Einstein summation convention)是一种标记的约定，在处理关于坐标的方程式时非常有用。

1 简介

爱因斯坦求和约定省去了求和符号，下面的点成公式

s

=

∑

i

v

i

w

i

s = \sum_{i} v_i w_is=i∑​vi​wi​

这个公式描述的是，两个向量对应元素相乘后求和，这种写法与我们而言，觉得很简单了，但是对于爱因斯坦而言，嫌它太麻烦，于是他发明了另一种标记符号。

s

=

v

i

w

i

s = v_iw^is=vi​wi

在爱因斯坦的标记体系中，下标表示行向量中的元素

[

v

1

,

v

2

,

v

3

,

.

.

.

v

k

]

\left[ v_1, v_2, v_3, ... v_k \right][v1​,v2​,v3​,...vk​]

上标表示列向量

[

w

1

w

2

.

.

.

w

k

]

⎡⎣⎢⎢⎢⎢w1w2...wk⎤⎦⎥⎥⎥⎥[w1w2...wk]⎣⎢⎢⎡​w1w2...wk​⎦⎥⎥⎤​

上述向量中的w

1

,

w

2

w^1, w^2w1,w2 分别表示为列向量中的第1个， 第2个元素。那么类似的，

2 一般运算

矩阵A中的第m行，第n列元素，以前标记为A

m

n

A_{mn}Amn​ 现在标记为A

n

m

A^m_nAnm​

(1) 内积

u

⃗

⋅

v

⃗

=

u

j

v

i

\vec{u} \cdot \vec{v} = u_jv^iu⋅v=uj​vi

(2) 向量乘以矩阵，矩阵A和向量v的乘积是向量b

u

⃗

i

=

A

j

i

v

j

\vec{u}_i = A^i_jv^jui​=Aji​vj

(3) 矩阵乘法，矩阵A

i

×

j

A_{i×j}Ai×j​和矩阵B

j

×

k

B_{j×k}Bj×k​ 两者的乘积

C

k

i

=

A

j

i

B

k

j

C_k^i = A_j^iB_k^jCki​=Aji​Bkj​

(4) 矩阵的迹，对于矩阵A，上标和下标相同，就可以得到矩阵的迹t

tt

t

=

A

i

i

t = A_i^it=Aii​

(5) 外积，M维向量a和N维余向量b的外积是一个M×N的矩阵A

A

j

i

=

a

i

b

j

A_j^i = a^ib_jAji​=aibj​

3 Numpy中的einsum()方法

在矩阵运算中，einsum()求和约定能够实现求和，求内积，求外积， 矩阵乘法，矩阵转置，求迹。

在einsum()方法的第一个参数是格式字符串

不同的输入变量格式字符串之间要用逗号分隔开，且输入格式字符的数量和参与运算的变量数量匹配

输入格式字符串和输出格式字符串用箭头分隔开

输入格式字符串中字符串长度和张量的维数相对应。如 ‘ij’ 表示二维张量，'ijk’表示三维张量。

案例1: 降维

import numpy as np

# 1 一维向量求和

arr = np.arange(10)

sum1 = np.einsum('i->', arr)

# print(sum1)

# 2 二维数组按行和按列求和

arr2 = np.arange(20).reshape(4, 5)

sum_col = np.einsum('ij->j', arr2) # 按列求和

sum_row = np.einsum('ij->i', arr2) # 按行求和

# print(sum_col)

# print(sum_row)

# 3 三维到二维的约减操作

arr3 = np.arange(27).reshape(3, 3, 3)

# print(arr3)

ret = np.einsum('ijk->jk', arr3) # 三维将为二维

print(ret)

案例2: 矩阵乘法

import numpy as np

# 矩阵乘法dot实现和einsum实现

a = np.array([[1, 1, 1], [2, 2, 2], [3, 3, 3]])

b = np.array([[0, 1, 0], [1, 0, 1], [0, 1, 0]])

ret1 = np.dot(a, b) # 矩阵a*b

print(ret1)

ret2 = np.einsum('ij, jk->ik', a, b)

print(ret2)

案例3: 实现一般运算

import numpy as np

# 1.内积

a = np.arange(1, 10) # 1-9

b = np.arange(1, 10) # 1-9

ret_inner = np.einsum('i, i->', a, b)

# print(ret_inner)

# ret = np.dot(a, b) # 等价于上面的einsum()

# print(ret)

# 2 向量乘以矩阵

a = np.arange(1, 10).reshape((3, 3))

b = np.arange(1, 4)

vec_mul_mat = np.einsum('ij, j->i', a, b)

# print(vec_mul_mat)

# 3 矩阵的迹

a = np.arange(1, 10).reshape((3, 3))

ret_trace = np.einsum('ii->', a)

print(ret_trace)

# 4 外积

a = np.arange(1, 10) # 1-9

b = np.arange(1, 10) # 1-9

ret_outer = np.einsum('i, j ->ij', a, b)

print(ret_outer)

原文链接:https://blog.csdn.net/jiangyi_1612101_03/article/details/111668726