numpy 中没有临时变量的外部产品的非平凡总和

Question

我希望解决的实际问题是，给定一组 N 个单位向量和另一组 M 个向量，计算每个单位向量的平均值它与每个 M 向量的点积的绝对值。本质上，这是计算两个矩阵的外积，然后用介于两者之间的绝对值求和和平均。

对于不太大的 N 和 M 这并不难，并且有很多方法可以继续（见下文）。问题是当 N 和 M 很大时，创建的临时变量很大，并为所提供的方法提供了实际限制。可以在不创建临时对象的情况下完成此计算吗？我遇到的主要困难是由于绝对值的存在。是否有用于“线程化”此类计算的通用技术？

以下面的代码为例

N = 7
M = 5

# Create the unit vectors, just so we have some examples,
# this is not meant to be elegant
phi = np.random.rand(N)*2*np.pi
ctheta = np.random.rand(N)*2 - 1
stheta = np.sqrt(1-ctheta**2)
nhat = np.array([stheta*np.cos(phi), stheta*np.sin(phi), ctheta]).T

# Create the other vectors
m = np.random.rand(M,3)

# Calculate the quantity we desire, here using broadcasting.
S = np.average(np.abs(np.sum(nhat*m[:,np.newaxis,:], axis=-1)), axis=0)

这很好，S 现在是一个长度为 N 的数组，并包含所需的结果。不幸的是，在这个过程中，我们创建了一些潜在的巨大数组。结果

np.sum(nhat*m[:,np.newaxis,:], axis=-1)

是一个 M X N 数组。当然，最终结果的大小只有 N。开始增加 N 和 M 的大小，我们很快就会遇到内存错误。

如上所述，如果不需要绝对值，那么我们可以如下进行，现在使用einsum()

T = np.einsum('ik,jk,j', nhat, m, np.ones(M)) / M

即使对于相当大的 N 和 M ，这也可以快速运行。对于具体问题，我需要包含abs()，但更通用的解决方案（也许是更通用的 ufunc）也很有趣。

Answer 1

根据一些 cmets，似乎使用 cython 是最好的方法。我愚蠢地从未考虑过使用cython。事实证明，生成工作代码相对容易。

经过一番搜索，我整理了以下 cython 代码。这不是最通用的代码，可能不是最好的编写方式，并且可能会变得更高效。即便如此，它只比原始问题中的einsum() 代码慢了大约 25%，所以还不错！它已被编写为与原始问题中创建的数组一起显式工作（因此假定输入数组的模式）。
尽管有一些警告，但它确实为原始问题提供了一个相当有效的解决方案，并且可以作为类似情况的起点。

import numpy as np
cimport numpy as np
import cython
DTYPE = np.float64
ctypedef np.float64_t DTYPE_t
cdef inline double d_abs (double a) : return a if a >= 0 else -a

@cython.boundscheck(False)
@cython.wraparound(False)
def process_vectors (np.ndarray[DTYPE_t, ndim=2, mode="fortran"] nhat not None,
                     np.ndarray[DTYPE_t, ndim=2, mode="c"] m not None) :
    if nhat.shape[1] != m.shape[1] :
        raise ValueError ("Arrays must contain vectors of the same dimension")
    cdef Py_ssize_t imax = nhat.shape[0]
    cdef Py_ssize_t jmax = m.shape[0]
    cdef Py_ssize_t kmax = nhat.shape[1] # same as m.shape[1]
    cdef np.ndarray[DTYPE_t, ndim=1] S = np.zeros(imax, dtype=DTYPE)
    cdef Py_ssize_t i, j, k
    cdef DTYPE_t val, tmp
    for i in range(imax) :
        val = 0
        for j in range(jmax) :
            tmp = 0
            for k in range(kmax) :
                tmp += nhat[i,k] * m[j,k]
            val += d_abs(tmp)
        S[i] = val / jmax
    return S

Answer 2

我认为没有任何简单的方法（除了 Cython 等）来加快您的精确操作。但是您可能需要考虑是否真的需要计算您正在计算的内容。因为如果您可以使用root mean square 而不是绝对值的平均值，您仍然会以某种方式平均内积的大小，但您可以一次性获得它：

rms = np.sqrt(np.einsum('ij,il,kj,kl,k->i', nhat, nhat, m, m, np.ones(M)/M))

这和做的一样：

rms_2 = np.sqrt(np.average(np.einsum('ij,kj->ik', nhat, m)**2, axis=-1))

是的，这并不完全符合您的要求，但恐怕它与您使用矢量化方法所获得的一样接近。如果你决定走这条路，看看np.einsum 对大型N 和M 的表现如何：当传递太多参数和索引时，它往往会陷入困境。

Answer 3

这有点慢，但不会创建大的中间矩阵。

vals = np.zeros(N)
for i in xrange(N):
    u = nhat[i]
    for v in m:
        vals[i]+=abs(np.dot(u,v))
    vals[i]=vals[i]/M

编辑：将除以 M 移到 for 循环之外。

edit2：新想法，保留旧想法以供后代和相关评论。

m2 = np.average(m,0)
vals = np.zeros(N)
for i in xrange(N):
    u=nhat[i]
    vals[i]=abs(np.dot(u,m2))

这很快，但有时会给出不同的值，我正在研究为什么但同时它可能会有所帮助。

edit 3：啊，这是绝对价值的东西。嗯

>>> S
array([ 0.28620962,  0.65337876,  0.37470707,  0.46500913,  0.49579837,
        0.29348924,  0.27444208,  0.74586928,  0.35789315,  0.3079964 ,
        0.298353  ,  0.42571445,  0.32535728,  0.87505053,  0.25547394,
        0.23964505,  0.44773271,  0.25235646,  0.4722281 ,  0.33003338])
>>> vals
array([ 0.2099343 ,  0.6532155 ,  0.33039334,  0.45366889,  0.48921527,
        0.20467291,  0.16585856,  0.74586928,  0.31234917,  0.22198642,
        0.21013519,  0.41422894,  0.26020981,  0.87505053,  0.1199069 ,
        0.06542492,  0.44145805,  0.08455833,  0.46824704,  0.28483342])

time to compute S: 0.000342130661011 seconds
time to compute vals: 7.29560852051e-05 seconds

编辑 4：好吧，如果您的单位向量大部分为正值，这应该运行得更快，假设 m 中的向量总是正的，就像它们在您的虚拟数据中一样。

m2 = np.average(m,0)
vals = np.zeros(N)
for i in xrange(N):
    u=nhat[i]
    if u[0] >= 0 and u[1] >= 0 and u[2] >= 0:
        vals[i] = abs(np.dot(u,m2))
    else:
        for j in xrange(M):
            vals[i]+=abs(np.dot(u,m[j]))
        vals[i]/=M