使用 Numpy einsum（使用 numpy 的什么函数可以求解矩阵的迹）

25-05-01 1

如果您对使用Numpyeinsum和使用numpy的什么函数可以求解矩阵的迹感兴趣，那么这篇文章一定是您不可错过的。我们将详细讲解使用Numpyeinsum的各种细节，并对使用numpy的什么函数可以

如果您对使用 Numpy einsum和使用 numpy 的什么函数可以求解矩阵的迹感兴趣，那么这篇文章一定是您不可错过的。我们将详细讲解使用 Numpy einsum的各种细节，并对使用 numpy 的什么函数可以求解矩阵的迹进行深入的分析，此外还有关于"import numpy as np" ImportError: No module named numpy、3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数、A * B + C使用np.einsum、CuPy.einsum 慢？的实用技巧。

本文目录一览：

使用 Numpy einsum（使用 numpy 的什么函数可以求解矩阵的迹）
"import numpy as np" ImportError: No module named numpy
3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数
A * B + C使用np.einsum
CuPy.einsum 慢？

使用 Numpy einsum（使用 numpy 的什么函数可以求解矩阵的迹）

如何解决使用 Numpy einsum

我正在尝试使用 Numpy 对函数进行矢量化，以计算使用 scikit-learn 拟合的多项 logit 模型中特征的平均边际效应。我已经设法使用 for 循环 进行计算，它看起来像这样

#Get probabilities for each obs i belonging to class j. shape =  N * J
probas = fitted_model.predict_proba(X)
#Get coefficients. Shape j_classes * k_coefficients
betas = fitted_model.coef_
J = probas.shape[1]
N = probas.shape[0]
K = betas.shape[1]
avg_margins = np.zeros([K,J])
        
for j in tqdm(range(J)):
    for k in range(K):
        dydw = 0
        for i in range(N):
            dydw += probas[i,j] * (betas[j,k] - np.dot(probas[i,:],betas[:,k]))
        avg_margins[k,j] = 1 / N * dydw

然而，这很慢，为什么我想要摆脱循环。我是 Numpy 和线性代数的初学者，所以请多多包涵，但我认为我最好的选择是使用 numpy einsum，到目前为止我得到的就是这个

avg_margins = 1 / N * np.einsum(''ij,jk -> kj'',probas,betas - np.einsum(''im,mk -> k'',betas))

不幸的是，这返回了错误的结果，我不确定我哪里出错了。任何有关我哪里出错的帮助或提示将不胜感激！

解决方法

这里不需要 einsum：

diff = betas[:,None] - np.dot(probas,betas)
avg_margins = np.sum(probas * diff.T,axis=1) / N

"import numpy as np" ImportError: No module named numpy

问题：没有安装 numpy

解决方法：

下载文件，安装

numpy-1.8.2-win32-superpack-python2.7

安装运行 import numpy，出现

Traceback (most recent call last):
  File "<pyshell#2>", line 1, in <module>
    import numpy
  File "C:\Python27\lib\site-packages\numpy\__init__.py", line 153, in <module>
    from . import add_newdocs
  File "C:\Python27\lib\site-packages\numpy\add_newdocs.py", line 13, in <module>
    from numpy.lib import add_newdoc
  File "C:\Python27\lib\site-packages\numpy\lib\__init__.py", line 8, in <module>
    from .type_check import *
  File "C:\Python27\lib\site-packages\numpy\lib\type_check.py", line 11, in <module>
    import numpy.core.numeric as _nx
  File "C:\Python27\lib\site-packages\numpy\core\__init__.py", line 6, in <module>
    from . import multiarray
ImportError: DLL load failed: %1 不是有效的 Win32 应用程序。

原因是：python 装的是 64 位的，numpy 装的是 32 位的

重新安装 numpy 为：numpy-1.8.0-win64-py2.7

3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数

前言

具体我们来学 Numpy 的统计函数

（一）函数一览表

调用方式：np.*

.sum(a)	对数组 a 求和
.mean(a)	求数学期望
.average(a)	求平均值
.std(a)	求标准差
.var(a)	求方差
.ptp(a)	求极差
.median(a)	求中值，即中位数
.min(a)	求最大值
.max（a)	求最小值
.argmin(a)	求最小值的下标，都处里为一维的下标
.argmax(a)	求最大值的下标，都处里为一维的下标
.unravel_index(index, shape)	g 根据 shape, 由一维的下标生成多维的下标

（二）统计函数 1

（1）说明

（2）输出

.sum(a)

.mean(a)

.average(a)

.std(a)

.var(a)

（三）统计函数 2

（1）说明

（2）输出

.max(a) .min(a)

.ptp(a)

.median(a)

.argmin(a)

.argmax(a)

.unravel_index(index,shape)

作者：Mark

日期：2019/02/11 周一

A * B + C使用np.einsum

如何解决A * B + C使用np.einsum？

我正在尝试使用 np.einsum 进行此非常简单的操作，但是我仍然很难理解如何使用它。

我有以下3个数组：

A = np.zeros((8,8))
B = np.zeros((64))
C = np.zeros((64,8,8))

首先，我首先将A * B“按通道”相乘（这意味着A与B中的每个元素相乘，所以结果将是（64，8，8）），然后我将这个结果与C相加。如何使用 np.einsum 执行此操作？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

CuPy.einsum 慢？

如何解决CuPy.einsum 慢？

我最近开始使用 CuPy。在我的应用程序中，函数 einsum 似乎没有一致的执行速度。在下面的第一个示例中，它最多比 tensordot 函数慢 5 倍（例如，对于 M = 128 和 2048）。在下面的第二个示例中，它比 dot 慢，但与 tensordot 一样快。我在使用 einsum 时是否犯了错误？

我的代码：

import numpy as np
import cupy as cp
import timeit
import tabulate
nrepeats = 1000
alpha_max= 11
cp.random.seed(123)
Ts = []
Ms = 2**(1+np.arange(3,alpha_max))
chi = cp.array([[0.,2.5,5.5],[2.5,0.,2.5],[5.5,0. ]])
# 1st test
for M in Ms:
    #print(M)
    shape = [3,M,M]
    ndim = len(shape)
    phi = cp.random.rand(*shape)
    t_1 = timeit.timeit(lambda: cp.einsum(''mn,n...->m...'',chi,phi),number=nrepeats) / float(nrepeats)
    t_2 = timeit.timeit(lambda: cp.einsum(''mn,number=nrepeats) / float(nrepeats)
    t_3 = timeit.timeit(lambda: cp.tensordot(chi,phi,axes=([1],[0])),number=nrepeats) / float(nrepeats)
    Ts.append([t_1,t_2,t_3])
data = np.array(Ts)
data = np.concatenate([Ms.reshape(-1,1),data],axis=1)
print("1st test")
print(tabulate.tabulate(data,tablefmt=''simple'',headers=[''M''] + ["t_{:d}".format(i) for i in range(1,data.shape[1])]))
print("")
# 2nd test
Ts = []
for M in Ms:
    #print(M)
    phi = cp.random.rand(M,M)
    mat = cp.random.rand(M,M)
    
    
    t_1 = timeit.timeit(lambda: cp.einsum(''mn,mat,number=nrepeats) / float(nrepeats)
    t_2 = timeit.timeit(lambda: cp.dot(mat,number=nrepeats) / float(nrepeats)
    t_3 = timeit.timeit(lambda: cp.tensordot(mat,axis=1)
print("2nd test")
print(tabulate.tabulate(data,data.shape[1])]))

我的结果：

1st test
   M          t_1          t_2          t_3
----  -----------  -----------  -----------
  16  0.000625728  0.000117246  2.18285e-05
  32  0.000116557  0.000116172  2.16212e-05
  64  0.000116819  0.000117002  2.15155e-05
 128  0.000116461  0.000116047  2.16749e-05
 256  0.000159753  0.000240077  7.99196e-05
 512  0.00063619   0.00093989   0.000312955
1024  0.0028338    0.00372209   0.00106168
2048  0.0128821    0.0149504    0.00289213
2nd test
   M          t_1          t_2          t_3
----  -----------  -----------  -----------
  16  0.000252584  9.88275e-06  1.89785e-05
  32  0.000111875  1.03006e-05  2.8993e-05
  64  0.000117031  1.05121e-05  6.57232e-05
 128  0.000165988  3.82686e-05  7.81205e-05
 256  0.000161549  0.000117307  0.000154361
 512  0.000745595  0.000655062  0.000870415
1024  0.00495882   0.00228163   0.00665659
2048  0.0411153    0.017304     0.0508659

我的系统：

在基于 nvidia/cuda:11.0-runtime 的 docker 容器中运行。
GPU。 GeForce RTX 2080 8Gb

今天的关于使用 Numpy einsum和使用 numpy 的什么函数可以求解矩阵的迹的分享已经结束，谢谢您的关注，如果想了解更多关于"import numpy as np" ImportError: No module named numpy、3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数、A * B + C使用np.einsum、CuPy.einsum 慢？的相关知识，请在本站进行查询。

本文标签：