numpy中tensordot的用法

更新時間：2023年02月20日 15:03:14 作者：古明地盆

本文主要介紹了numpy中tensordot的用法，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

楔子

在numpy中有一個tensordot方法，尤其在做機器學(xué)習(xí)的時候會很有用。估計有人看到這個名字，會想到tensorflow，沒錯tensorflow里面也有tensordot這個函數(shù)。這個函數(shù)它的作用就是，可以讓兩個不同維度的數(shù)組進行相乘。我們來舉個例子：

import numpy as np

a = np.random.randint(0, 9, (3, 4))
b = np.random.randint(0, 9, (4, 5))
try:
    print(a * b)
except Exception as e:
    print(e)  # operands could not be broadcast together with shapes (3,4) (4,5)

# 很明顯，a和b兩個數(shù)組的維度不一樣，沒辦法相乘
# 但是
print(np.tensordot(a, b, 1))
"""
[[32 32 28 28 52]
 [10 25 40 38 78]
 [56  7 28  0 42]]
"""
# 我們看到使用tensordot是可以的

下面我們來看看這個函數(shù)的用法

函數(shù)原型

@array_function_dispatch(_tensordot_dispatcher)
def tensordot(a, b, axes=2):

我們看到這個函數(shù)接收三個參數(shù)，前兩個就是numpy中數(shù)組，最后一個參數(shù)則是用于指定收縮的軸。它可以接收一個整型、列表、列表里面嵌套列表，具體代表什么含義我們下面舉例說明。

理解axes

axes為整型

如果axes接收的是一個整型：m，那么表示指定數(shù)組a的后n個軸和數(shù)組b的前n個軸分別進行內(nèi)積，就是對應(yīng)位置元素相乘、再整體求和。

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))

# 顯然這兩個數(shù)組不能直接相乘，但是a和后兩個軸和b的前兩個軸是可以直接相乘的
# 因為它們都是(4, 5), 最后結(jié)果的shape為(3, 8)
print(np.tensordot(a, b, 2).shape)  # (3, 8)

而且這個axes默認為2，所以它一般都是針對三維或者三維以上的數(shù)組

但是為了具體理解，后面我們會使用一維、二維數(shù)據(jù)具體舉例說明?，F(xiàn)在先看axes取不同的值，會得到什么結(jié)果，先理解一下axes的含義。

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))

try:
    print(np.tensordot(a, b, 1).shape)
except Exception as e:
    print(e)  # shape-mismatch for sum
# 結(jié)果報錯了，很好理解，就是形狀不匹配嘛
# axes指定為1，表示a的后一個軸和b的前一個軸進行內(nèi)積
# 但是一個是5一個是4，元素?zé)o法一一對應(yīng)，所以報錯，提示shape-mismatch，形狀不匹配

# 這里我們把數(shù)組b的shape改一下，這樣a的后一個軸和b的前一個軸就匹配了，都是5
a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((5, 4, 8))
print(np.tensordot(a, b, 1).shape)  # (3, 4, 4, 8)
"""
這樣就能夠運算了，我們說指定收縮的軸，進行內(nèi)積運算得到的是一個值
所以這里的(3, 4, 5)和(5, 4, 8)變成了(3, 4, 4, 8)

而上一個例子是(3, 4, 5)和(4, 5, 8)，然后axes=2
因為a的后兩個軸和b的前兩個軸進行內(nèi)積變成了一個具體的值，所以最終的維度就是(3, 8)
"""

如果axes為0的話，會有什么結(jié)果

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))

print(np.tensordot(a, b, 0).shape)  # (3, 4, 5, 4, 5, 8)
print(np.tensordot(b, a, 0).shape)  # (4, 5, 8, 3, 4, 5)
"""
np.tensordot(a, b, 0)等價于將a中的每一個元素都和b相乘
然后再將原來a中的對應(yīng)元素替換掉
"""

上面的操作也可以使用愛因斯坦求和來實現(xiàn)

axes=0

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))

c1 = np.tensordot(a, b, 0)
c2 = np.einsum("ijk,xyz->ijkxyz", a, b)
print(c1.shape, c2.shape)  # (3, 4, 5, 4, 5, 8) (3, 4, 5, 4, 5, 8)
print(np.all(c1 == c2))  # True
"""
生成的c1和c2是一樣的
"""

c3 = np.tensordot(b, a, 0)
c4 = np.einsum("ijk,xyz->xyzijk", a, b)
print(c3.shape, c4.shape)  # (4, 5, 8, 3, 4, 5) (4, 5, 8, 3, 4, 5)
print(np.all(c3 == c4))  # True
"""
生成的c3和c4是一樣的
"""

那么它們的效率之間孰優(yōu)孰劣呢？我們在jupyter上測試一下

>>> %timeit c1 = np.tensordot(a, b, 0)
50.5 μs ± 206 ns per loop
>>> %timeit c2 = np.einsum("ijk,xyz->ijkxyz", a, b)
7.29 μs ± 242 ns per loop

可以看到愛因斯坦求和快了不少

axes=1

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((5, 4, 8))

c1 = np.tensordot(a, b, 1)
c2 = np.einsum("ijk,kyz->ijyz", a, b)
print(c1.shape, c2.shape)  # (3, 4, 4, 8) (3, 4, 4, 8)
print(np.all(c1 == c2))  # True

axes=2

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))

c1 = np.tensordot(a, b, 2)
c2 = np.einsum("ijk,jkz->iz", a, b)
print(c1.shape, c2.shape)  # (3, 8) (3, 8)
print(np.all(c1 == c2))  # True

axes為列表

如果axes接收的是一個列表：[m, n]，那么表示讓a的第m+1個(索引為m)軸和b的第n+1(索引為n)個軸進行內(nèi)積。使用列表的方法最大的好處就是，可以指定任意位置的軸。

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))
# 我們看到a的第二個維度(或者說軸)和b的第一個維度都是4，所以它們是可以進行內(nèi)積的
c1 = np.tensordot(a, b, [1, 0])
# 由于內(nèi)積的結(jié)果是一個標(biāo)量，所以(3, 4, 5)和(4, 5, 8)在tensordot之后的shape是(3, 5, 5, 8)
# 相當(dāng)于把各自的4給扔掉了(因為變成了標(biāo)量)，然后組合在一起
print(c1.shape)  # (3, 5, 5, 8)

# 同理a的最后一個維度和b的第二個維度也是可以內(nèi)積的
# 最后一個維度也可以使用-1，等于按照列表的索引來取對應(yīng)的維度
c2 = np.tensordot(a, b, [-1, 1])
print(c2.shape)  # (3, 4, 4, 8)

上面的操作也可以使用愛因斯坦求和來實現(xiàn)

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))
c1 = np.tensordot(a, b, [1, 0])
c2 = np.einsum("ijk,jyz->ikyz", a, b)
print(c1.shape, c2.shape)  # (3, 5, 5, 8) (3, 5, 5, 8)
print(np.all(c1 == c2))  # True

c3 = np.tensordot(a, b, [-1, 1])
c4 = np.einsum("ijk,akz->ijaz", a, b)
print(c3.shape, c4.shape)  # (3, 4, 4, 8) (3, 4, 4, 8)
print(np.all(c3 == c4))  # True

axes為列表嵌套列表

如果axes接收的是一個嵌套列表的列表：[[m], [n]]，等于說可以選多個軸

import numpy as np

a = np.arange(60).reshape((3, 4, 5))
b = np.arange(160).reshape((4, 5, 8))
# 我們想讓a的后兩個軸和b的前兩個軸內(nèi)積
c1 = np.tensordot(a, b, axes=2)
c2 = np.tensordot(a, b, [[1,2], [0,1]])
print(c1.shape, c2.shape)  # (3, 8) (3, 8)
print(np.all(c1 == c2))  # True

但是使用列表進行篩選還有一個好處，就是可以忽略順序

import numpy as np

a = np.arange(60).reshape((4, 3, 5))
b = np.arange(160).reshape((4, 5, 8))
# 這個時候就無法給axes傳遞整型了
c3 = np.tensordot(a, b, [[0, 2], [0, 1]])
print(c3.shape)  # (3, 8)

此外，使用列表篩選還有一個強大的功能，就是可以倒著取值

import numpy as np

a = np.arange(60).reshape((4, 5, 3))
b = np.arange(160).reshape((5, 4, 8))

# 這個時候我們選擇前兩個軸，但是一個是(4, 5)一個是(5, 4)，所以無法相乘
# 因此在選擇的時候需要倒著篩選:
# [[0, 1], [1, 0]]-> (4, 5)和(4, 5) 或者 [[1, 0], [0, 1]] -> (5, 4)和(5, 4)
c3 = np.tensordot(a, b, [[0, 1], [1, 0]])
print(c3.shape)  # (3, 8)

最后同樣看看如何愛因斯坦求和來實現(xiàn)

import numpy as np

a = np.arange(60).reshape((4, 5, 3))
b = np.arange(160).reshape((4, 5, 8))

c1 = np.tensordot(a, b, [[0, 1], [0, 1]])
c2 = np.einsum("ijk,ijz->kz", a, b)
print(c1.shape, c2.shape)  # (3, 8) (3, 8)
print(np.all(c1 == c2))  # True


a = np.arange(60).reshape((4, 5, 3))
b = np.arange(160).reshape((5, 4, 8))

c1 = np.tensordot(a, b, [[0, 1], [1, 0]])
c2 = np.einsum("ijk,jiz->kz", a, b)
print(c1.shape, c2.shape)  # (3, 8) (3, 8)
print(np.all(c1 == c2))  # True


a = np.arange(60).reshape((4, 3, 5))
b = np.arange(160).reshape((5, 4, 8))

c1 = np.tensordot(a, b, [[0, 2], [1, 0]])
c2 = np.einsum("ijk,kiz->jz", a, b)
print(c1.shape, c2.shape)  # (3, 8) (3, 8)
print(np.all(c1 == c2))  # True

以兩個一維數(shù)組為例

我們來通過打印具體的數(shù)組來看一下tensordot

import numpy as np

a = np.array([1, 2, 3])
b = np.array([2, 3, 4])

print(np.tensordot(a, b, axes=0))
"""
[[ 2  3  4]
 [ 4  6  8]
 [ 6  9 12]]
"""
print(np.einsum("i,j->ij", a, b))
"""
[[ 2  3  4]
 [ 4  6  8]
 [ 6  9 12]]
"""

# 我們axes=0，等于是a的每一個元素和相乘，然后再把原來a對應(yīng)的元素替換掉
# 所以是a中的1 2 3分別和b相乘，得到[2 3 4] [4 6 8] [6 9 12]、再替換掉1 2 3
# 所以結(jié)果是[[2 3 4] [4 6 8] [6 9 12]]

如果axes=1呢？

import numpy as np

a = np.array([1, 2, 3])
b = np.array([2, 3, 4])

print(np.tensordot(a, b, axes=1))  # 20
"""
選取a的前一個軸和b的后一個軸進行內(nèi)積
而a和b只有一個軸，所以結(jié)果是一個標(biāo)量
"""
print(np.einsum("i,i->", a, b))  # 20

如果axes=2呢？首先我們說axes等于一個整型，表示選取a的后n個軸，b的前n個軸，而一維數(shù)組它們只有一個軸

import numpy as np

a = np.array([1, 2, 3])
b = np.array([2, 3, 4])

try:
    print(np.tensordot(a, b, axes=2))  # 20
except Exception as e:
    print(e)  # tuple index out of range

顯然索引越界了。

以一個一維數(shù)組和一個二維數(shù)組為例

我們通過一維數(shù)組和二維數(shù)組進行tensordot來感受一下

axes=0

import numpy as np

a = np.array([1, 2, 3])
b = np.array([[2, 3, 4]])

print(np.tensordot(a, b, 0))
"""
[[[ 2  3  4]]

 [[ 4  6  8]]
 
 [[ 6  9 12]]]
"""
print(np.einsum("i,jk->ijk", a, b))
"""
[[[ 2  3  4]]

 [[ 4  6  8]]
 
 [[ 6  9 12]]]
"""
# 很好理解，就是1 2 3分別和[[2, 3, 4]]相乘再替換掉 1 2 3
print(np.tensordot(a, b, 0).shape)  # (3, 1, 3)


##########################
print(np.tensordot(b, a, 0))
"""
[[[ 2  4  6]
  [ 3  6  9]
  [ 4  8 12]]]
"""
print(np.einsum("i,jk->jki", a, b))
"""
[[[ 2  4  6]
  [ 3  6  9]
  [ 4  8 12]]]
"""
# 很好理解，就是2 3 4分別和[1 2 3]相乘再替換掉 2 3 4
print(np.tensordot(b, a, 0).shape)  # (1, 3, 3)

axes=1的話呢？

import numpy as np

a = np.array([1, 2, 3])
b = np.array([[2, 3, 4], [4, 5, 6]])
try:
    print(np.tensordot(a, b, 1))
except Exception as e:
    print(e)  # shape-mismatch for sum
# 我們注意到報錯了，因為axes=1，表示取a的后一個軸和b的前1個軸
# a的shape是(3, 0)，所以它的后一個軸和前一個軸對應(yīng)的數(shù)組長度都是3
# 但是b的前一個軸對應(yīng)的數(shù)組長度是2，不匹配所以報錯

print(np.tensordot(b, a, 1))  # [20 32]
# 我們看到這個是可以的，因為這表示b的后一個軸，數(shù)組長度為3，是匹配的
# 讓后一個軸的[2 3 4]、[4 5 6]分別和[1 2 3]進行內(nèi)積，最終得到兩個標(biāo)量

try:
    print(np.einsum("i,ij->ij", a, b))
except Exception as e:
    print(e)
    # operands could not be broadcast together with remapped shapes [original->remapped]: (3,)->(3,newaxis) (2,3)->(2,3)

# 同樣對于愛因斯坦求和也是無法這么做的,我們需要換個順序
print(np.einsum("i,ji->j", a, b))  # [20 32]
# 或者
print(np.einsum("j,ij->i", a, b))  # [20 32]

axes=2的話呢？

import numpy as np

a = np.array([1, 2, 3])
b = np.array([[2, 3, 4], [4, 5, 6]])
try:
    print(np.tensordot(a, b, 2))
except Exception as e:
    print(e)  # tuple index out of range
# 我們注意到報錯了，因為axes=2，表示取a的后兩個軸和b的前兩個軸
# 而a總共才1個軸，所以報錯了

try:
    print(np.tensordot(b, a, 2))
except Exception as e:
    print(e)  # shape-mismatch for sum
# 我們看到雖然也報錯了，但是不是報索引越界。
# 因為上面表示取a的前兩個軸，雖然a只有一個，但是此時不會索引越界，只是就取一個。如果是取后兩個就會越界了
# 此時b是(2, 3)，而a是(3,) 不匹配，可能有人覺得會發(fā)生廣播，但在這里不會

以兩個二維數(shù)組為例

我們再通過兩個二維數(shù)組進行tensordot來感受一下

axes=0

import numpy as np

a = np.array([[1, 2, 3]])
b = np.array([[2, 3, 4], [4, 5, 6]])

# a_shape: (1, 3) b_shape(3, 3)
print(np.tensordot(a, b, 0))
"""
[[[[ 2  3  4]
   [ 4  5  6]]

  [[ 4  6  8]
   [ 8 10 12]]

  [[ 6  9 12]
   [12 15 18]]]]
"""
print(np.einsum("ij,xy->ijxy", a, b))
"""
[[[[ 2  3  4]
   [ 4  5  6]]

  [[ 4  6  8]
   [ 8 10 12]]

  [[ 6  9 12]
   [12 15 18]]]]
"""
print(np.tensordot(a, b, 0).shape)  # (1, 3, 2, 3)

#############
print(np.tensordot(b, a, 0))
"""
[[[[ 2  4  6]]

  [[ 3  6  9]]

  [[ 4  8 12]]]


 [[[ 4  8 12]]

  [[ 5 10 15]]

  [[ 6 12 18]]]]
"""
print(np.einsum("ij,xy->xyij", a, b))
"""
[[[[ 2  4  6]]

  [[ 3  6  9]]

  [[ 4  8 12]]]


 [[[ 4  8 12]]

  [[ 5 10 15]]

  [[ 6 12 18]]]]
"""
print(np.tensordot(b, a, 0).shape)  # (2, 3, 1, 3)

axes=1

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[2, 3, 4], [4, 5, 6]])

# a_shape: (2, 2) b_shape(2, 3)
print(np.tensordot(a, b, 1))
"""
[[10 13 16]
 [22 29 36]]
"""
print(np.einsum("ij,jk->ik", a, b))
"""
[[10 13 16]
 [22 29 36]]
"""
# 仔細的你肯定發(fā)現(xiàn)了，此時就相當(dāng)于矩陣的點乘
print(a @ b)
"""
[[10 13 16]
 [22 29 36]]
"""

axes=2

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[2, 3, 4], [4, 5, 6]])

# a_shape: (2, 2) b_shape(2, 3)

# 取后兩個軸顯然不行，因為(2, 2)和(2, 3)不匹配
try:
    print(np.tensordot(a, b, 2))
except Exception as e:
    print(e)  # shape-mismatch for sum
    
a = np.array([[1, 2, 3], [2, 2, 2]])
b = np.array([[2, 3, 4], [4, 5, 6]])
print(np.tensordot(a, b, 2))  # 50
print(np.einsum("ij,ij->", a, b))  # 50

最后看即個愛因斯坦求和的例子，感受它和主角tensordot的區(qū)別，當(dāng)然如果不熟悉的愛因斯坦求和的話可以不用看

import numpy as np

a = np.random.randint(1, 9, (5, 3, 2, 3))
b = np.random.randint(1, 9, (3, 3, 2))

c1 = a @ b  # 多維數(shù)組，默認是對最后兩位進行點乘
c2 = np.einsum("ijkm,jmn->ijkn", a, b)
print(np.all(c1 == c2))  # True
print(c2.shape)  # (5, 3, 2, 2)
print(np.einsum("...km,...mn->...kn", a, b).shape)  # (5, 3, 2, 2)

# 但如果是
c3 = np.einsum("ijkm,amn->ijkn", a, b)
print(c3.shape)  # (5, 3, 2, 2)
# 由于符號不一樣，所以即使shape一致，但是兩個數(shù)組不一樣
print(np.all(c3 == c1))  # False


a = np.random.randint(1, 9, (5, 3, 3, 2))
b = np.random.randint(1, 9, (1, 3, 2))

print(np.einsum("ijmk,jmn->ijkn", a, b).shape)  # (5, 3, 2, 2)
print(np.einsum("ijkm,jnm->ijkn", a, b).shape)  # (5, 3, 3, 3)

到此這篇關(guān)于numpy中tensordot的用法的文章就介紹到這了,更多相關(guān)numpy tensordot內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: