在numpy中乘以包含图像的张量
Multiplying tensors containing images in numpy
我有以下三阶张量。两个张量矩阵第一个张量包含 100 个 10x9 矩阵，第二个张量包含 100 个 3x10 矩阵（我刚刚为这个例子填充了一个）。
我的目标是将矩阵乘以一一对应的方式，这将导致张量具有以下形状：(100, 3, 9)这可以通过一个 for 循环来完成，它只压缩张量和然后取每个点，但我希望只使用 numpy 运算符来做到这一点。到目前为止，这里有一些失败的尝试
尝试 1：
import numpy as np
T1 = np.ones((100, 10, 9))
T2 = np.ones((100, 3, 10))
print T2.dot(T1).shape
尝试 1 的输出：
(100, 3, 100, 9)
这意味着它尝试了所有可能的组合...这不是我想要的。
实际上，其他尝试都无法编译。我尝试使用 np.tensordot ， np.einsum （在这里阅读 https://jameshensman.wordpress.com/2010/06/14/multiple-matrix-multiplication-in-numpy 它应该完成这项工作但我没有得到正确的爱因斯坦指数）也在同一个 link 有一些我无法想象的疯狂张量立方体重塑方法。关于如何解决这个问题的任何建议/想法解释？
你尝试了吗？
In [96]: np.einsum('ijk,ilj->ilk',T1,T2).shape
Out[96]: (100, 3, 9)
我解决这个问题的方法是看形状：
(100, 10, 9)) (i, j, k)
(100, 3, 10) (i, l, j)
-------------
(100, 3, 9) (i, l, k)
两个j相加抵消。其他的携带到输出。
对于 4d 数组，维度如 (100,3,2,24 ) 有几个选项：
重新整形为 3d，T1.reshape(300,2,24)，然后重新整形 R.reshape(100,3,...)。 Reshape 几乎是免费的，而且是一个很好的 numpy 工具。
向 einsum 添加索引：np.einsum('hijk,hilj->hilk',T1,T2)，只是与 i.
的平行用法
或使用省略号：np.einsum('...jk,...lj->...lk',T1,T2)。此表达式适用于 3d、4d 及更高版本。
我有以下三阶张量。两个张量矩阵第一个张量包含 100 个 10x9 矩阵，第二个张量包含 100 个 3x10 矩阵（我刚刚为这个例子填充了一个）。
我的目标是将矩阵乘以一一对应的方式，这将导致张量具有以下形状：(100, 3, 9)这可以通过一个 for 循环来完成，它只压缩张量和然后取每个点，但我希望只使用 numpy 运算符来做到这一点。到目前为止，这里有一些失败的尝试
尝试 1：
import numpy as np
T1 = np.ones((100, 10, 9))
T2 = np.ones((100, 3, 10))
print T2.dot(T1).shape
尝试 1 的输出：
(100, 3, 100, 9)
这意味着它尝试了所有可能的组合...这不是我想要的。
实际上，其他尝试都无法编译。我尝试使用 np.tensordot ， np.einsum （在这里阅读 https://jameshensman.wordpress.com/2010/06/14/multiple-matrix-multiplication-in-numpy 它应该完成这项工作但我没有得到正确的爱因斯坦指数）也在同一个 link 有一些我无法想象的疯狂张量立方体重塑方法。关于如何解决这个问题的任何建议/想法解释？
你尝试了吗？
In [96]: np.einsum('ijk,ilj->ilk',T1,T2).shape
Out[96]: (100, 3, 9)
我解决这个问题的方法是看形状：
(100, 10, 9)) (i, j, k)
(100, 3, 10) (i, l, j)
-------------
(100, 3, 9) (i, l, k)
两个j相加抵消。其他的携带到输出。
对于 4d 数组，维度如 (100,3,2,24 ) 有几个选项：
重新整形为 3d，T1.reshape(300,2,24)，然后重新整形 R.reshape(100,3,...)。 Reshape 几乎是免费的，而且是一个很好的 numpy 工具。
向 einsum 添加索引：np.einsum('hijk,hilj->hilk',T1,T2)，只是与 i.
或使用省略号：np.einsum('...jk,...lj->...lk',T1,T2)。此表达式适用于 3d、4d 及更高版本。