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
