Q&A
簡単な例を提示していただけませんか？
shape=(m, n) の numpy.ndarray A, B があります。
これらに対して、「それぞれの行ごとに内積を取った n 次元ベクトル」を計算したいと思っています。
現状だと内包表記を用いて以下のように計算しています。
python
1res = np.array([a @ b for a, b in zip(A, B)])
このような演算を、axis などを指定して explicit に iterate せず計算する書き方はありますでしょうか？
numpy は iterate があまり速くないイメージがあり、簡単に計算できる方法があれば知りたいです。
あまり numpy に慣れていないため初歩的な質問になりますが、どうぞよろしくお願い致します。
(追記)
python
1A = np.array([ 2 [1, 2], 3 [3, 4], 4 [5, 6] 5]) 6 7B = np.array([ 8 [7, 8], 9 [9, 10], 10 [11, 12] 11])
のとき、求めたいのは各行の内積 [23, 67, 127] となります。
回答3件
0
どうぞ
python
1A = np.array([ 2 [1, 2], 3 [3, 4], 4 [5, 6] 5]) 6 7B = np.array([ 8 [7, 8], 9 [9, 10], 10 [11, 12] 11]) 12 13 14(A*B).sum(1) # -> array([ 23, 67, 127]) 15np.sum(A*B, 1) # -> array([ 23, 67, 127])
投稿2021/03/05 03:52
総合スコア1399
0
解決済ですが、numpy.einsumでもできるので紹介します。
https://numpy.org/doc/stable/reference/generated/numpy.einsum.html
python
1import numpy as np 2 3A = np.array([[1, 2], [3, 4], [5, 6]]) 4B = np.array([[7, 8], [9, 10], [11, 12]]) 5 6res = np.einsum('ij,ij->i', A, B) 7print(res) 8# [ 23 67 127]
リファレンスだけではわかりにくいと思いますが、「numpy アインシュタイン縮約記法」で検索すれば解説しているところが見つかります。
理解するととても便利なので、ご参考まで。
投稿2021/03/05 02:59
総合スコア4794
0
ベストアンサー
reshapeはほとんど時間がかからないので、以下で良いと思います。。
python
1>>> print(A) 2[[1 2] 3 [3 4] 4 [5 6]] 5>>> print(B) 6[[ 7 8] 7 [ 9 10] 8 [11 12]] 9>>> shape = A.shape 10>>> flat = shape[0]*shape[1] 11>>> print((A.reshape(flat)*B.reshape(flat)).reshape(shape).sum(axis=1)) 12[ 23 67 127]
numpy関数は計算時間に比べて呼び出しオーバーヘッドが大きいので、呼び出し回数を減らすことが性能向上のカギです。
このサイズだと、@の繰り返しだと3回でここに書いたプログラムは4回になりますのが、SIMD長は
@方式が短いので、おそらく同程度の性能です。サイズが大きくなると、こちらのやり方の方は常に呼び出し4回でSIMD長がながくなり、@方式は呼び出し回数が増えていきますのでこちらの方が高速になっていきます。
投稿2021/03/05 01:00
編集2021/03/05 01:34
総合スコア24670
回答をありがとうございます。
確かに reshape のように view のまま flatten してから掛け合わせるとよさそうですね。
もう少し待って回答がなければ BA にさせていただきます。
あなたの回答
tips
プレビュー
