作者：杰少

einsum函數

簡介

在平時的工作中，包括時間序列等的建模中，我們常常會涉及到線性或者Multilinear代數的計算，很多時候包括我在內也喜歡偷懶使用numpy來處理，個人覺得還是可以的，但有的朋友覺得這個看起來可讀性會差一些，并且速度上也差一些，今天就推薦一個新的函數einsum函數。

通過einsum函數，我們可以寫出可讀性更好，更加高效的函數。

einsum函數

01

關于einsum函數

einsum函數一般會用于向量，矩陣，張量的計算中。

如果輸入的是標量（scalar），我們就可以空著，因為它沒有下標。

02

einsum函數優勢

1.速度優勢

因為numpy很多是用C寫的。

• 如果我們使用Python循環時，所有數據操作都在Python解釋器中進行。

• 當使用內置numpy函數時，它發生在C中，這就是numpy速度更快的原因。

• 使用einsum時，numpy會在C中處理數據一次并返回最終結果，而使用多個numpy函數會花費更多時間返回多個值。

2.可讀性優勢

einsum的代碼可讀性會更強，能大大提高代碼的可讀性和效率。

代碼

• 比較循環，numpy中的其它函數，einsum

從下面的案例中，我們發現einsum比numpy快樂將近30倍，比循環快了500-600倍。

import?numpy?as?npA?=?np.random.rand(1000,1000) B?=?np.random.rand(1000,1000)%%time #?Using?loops s?=?0 n,?m?=?A.shape for?i?in?range(n):for?j?in?range(m):s?+=?A[i,?j]*B[i,?j]? s#?CPU?times:?user?596?ms,?sys:?5.79?ms,?total:?602?ms #?Wall?time:?607?ms #?249760.77497519302CPU times: user 596 ms, sys: 5.79 ms, total: 602 ms Wall time: 607 ms 249760.77497519302%%time #?Using?built-in?numpy?functions np.trace(np.dot(A.T,?B))#?CPU?times:?user?113?ms,?sys:?8.54?ms,?total:?121?ms #?Wall?time:?38.1?ms #?249760.7749751993CPU times: user 113 ms, sys: 8.54 ms, total: 121 ms Wall time: 38.1 ms 249760.7749751993%%time #?Using?einsum np.einsum('ij,ij->',?A,B)#?CPU?times:?user?1.64?ms,?sys:?689?μs,?total:?2.33?ms #?Wall?time:?1.19?ms #?249760.7749751993CPU times: user 1.64 ms, sys: 689 μs, total: 2.33 ms Wall time: 1.19 ms 249760.7749751993

適用問題

所有涉及到矩陣，向量，張量等計算的問題。

參考文獻

Write Better And Faster Python Using Einstein Notation

往期精彩回顧適合初學者入門人工智能的路線及資料下載(圖文+視頻)機器學習入門系列下載中國大學慕課《機器學習》（黃海廣主講）機器學習及深度學習筆記等資料打印《統計學習方法》的代碼復現專輯 AI基礎下載機器學習交流qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【Python】疯狂的加速函数！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。