Skip to main content
 首页 » 编程设计

python之没有循环的Numpy求解3d线性方程

2025年02月15日15lidabo

我想求解线性方程 Ax= b,每个 A 都包含在 3d 矩阵中。例如,

在 Ax = B 中, 假设A.shape为(2,3,3)

即= [[[1,2,3],[1,2,3],[1,2,3]] [[1,2,3],[1,2,3],[1,2,3 ]]]

并且 B.shape 是 (3,1) 即 [1,2,3]^T

我想知道 Ax = B 的每个 3 向量 x,即 (x_1, x_2, x_3)。

我想到的是将 B 与 np.ones(2,3) 相乘,并使用函数点与每个 A 元素的倒数。但它需要循环才能做到这一点。(当矩阵大小变高时会消耗大量时间)(例如 A[:][:] = [1,2,3]) 如何在没有循环的情况下解多个 Ax = B 方程?

  • 我让 A 和 B 的元素相同,但你可能知道,这只是示例。

请您参考如下方法:

对于可逆矩阵,我们可以使用 np.linalg.inv在 3D 数组 A 上,然后对 B 使用张量矩阵乘法,以便我们分别丢失这两个数组的最后一个轴和第一个轴,像这样 -

np.tensordot( np.linalg.inv(A), B, axes=((-1),(0))) 

sample 运行-

In [150]: A 
Out[150]:  
array([[[ 0.70454189,  0.17544101,  0.24642533], 
        [ 0.66660371,  0.54608536,  0.37250876], 
        [ 0.18187631,  0.91397945,  0.55685133]], 
 
       [[ 0.81022308,  0.07672197,  0.7427768 ], 
        [ 0.08990586,  0.93887203,  0.01665071], 
        [ 0.55230314,  0.54835133,  0.30756205]]]) 
 
In [151]: B = np.array([[1],[2],[3]]) 
 
In [152]: np.linalg.solve(A[0], B) 
Out[152]:  
array([[ 0.23594665], 
       [ 2.07332454], 
       [ 1.90735086]]) 
 
In [153]: np.linalg.solve(A[1], B) 
Out[153]:  
array([[ 8.43831557], 
       [ 1.46421396], 
       [-8.00947932]]) 
 
In [154]: np.tensordot( np.linalg.inv(A), B, axes=((-1),(0))) 
Out[154]:  
array([[[ 0.23594665], 
        [ 2.07332454], 
        [ 1.90735086]], 
 
       [[ 8.43831557], 
        [ 1.46421396], 
        [-8.00947932]]]) 

或者,张量矩阵乘法可以替换为 np.matmul , 像这样 -

np.matmul(np.linalg.inv(A), B) 

在 Python 3.x 上,我们可以使用 @ operator对于相同的功能 -

np.linalg.inv(A) @ B