我需要获取包含对数概率的两个NumPy矩阵(或其他2d数组)的矩阵乘积.np.log(np.dot(np.exp(a), np.exp(b)))
出于显而易见的原因,天真的方式不是优选的.
运用
from scipy.misc import logsumexp res = np.zeros((a.shape[0], b.shape[1])) for n in range(b.shape[1]): # broadcast b[:,n] over rows of a, sum columns res[:, n] = logsumexp(a + b[:, n].T, axis=1)
工作但运行速度比慢100倍 np.log(np.dot(np.exp(a), np.exp(b)))
运用
logsumexp((tile(a, (b.shape[1],1)) + repeat(b.T, a.shape[0], axis=0)).reshape(b.shape[1],a.shape[0],a.shape[1]), 2).T
或者其他瓦片和重塑的组合也起作用,但是比上面的循环运行得更慢,因为实际大小的输入矩阵需要非常大量的存储器.
我目前正在考虑在C中编写一个NumPy扩展来计算它,但当然我宁愿避免这种情况.是否有既定的方法来执行此操作,或者是否有人知道执行此计算的内存密集程度较低的方法?
编辑: 感谢larsmans提供此解决方案(参见下面的推导):
def logdot(a, b): max_a, max_b = np.max(a), np.max(b) exp_a, exp_b = a - max_a, b - max_b np.exp(exp_a, out=exp_a) np.exp(exp_b, out=exp_b) c = np.dot(exp_a, exp_b) np.log(c, out=c) c += max_a + max_b return c
logdot_old
使用iPython的magic %timeit
函数快速比较此方法与上面发布的方法()会产生以下结果:
In [1] a = np.log(np.random.rand(1000,2000)) In [2] b = np.log(np.random.rand(2000,1500)) In [3] x = logdot(a, b) In [4] y = logdot_old(a, b) # this takes a while In [5] np.any(np.abs(x-y) > 1e-14) Out [5] False In [6] %timeit logdot_old(a, b) 1 loops, best of 3: 1min 18s per loop In [6] %timeit logdot(a, b) 1 loops, best of 3: 264 ms per loop
显然larsmans的方法抹杀了我的!