【Python】疯狂的加速函数！
einsum函数
在平时的工作中，包括时间序列等的建模中，我们常常会涉及到线性或者Multilinear代数的计算，很多时候包括我在内也喜欢偷懒使用numpy来处理，个人觉得还是可以的，但有的朋友觉得这个看起来可读性会差一些，并且速度上也差一些，今天就推荐一个新的函数einsum函数。
通过einsum函数，我们可以写出可读性更好，更加高效的函数。
关于einsum函数
einsum函数一般会用于向量，矩阵，张量的计算中。
如果输入的是标量（scalar），我们就可以空着，因为它没有下标。
einsum函数优势
1.速度优势
因为numpy很多是用C写的。
如果我们使用Python循环时，所有数据操作都在Python解释器中进行。
当使用内置numpy函数时，它发生在C中，这就是numpy速度更快的原因。
使用einsum时，numpy会在C中处理数据一次并返回最终结果，而使用多个numpy函数会花费更多时间返回多个值。
2.可读性优势
einsum的代码可读性会更强，能大大提高代码的可读性和效率。
比较循环，numpy中的其它函数，einsum
从下面的案例中，我们发现einsum比numpy快乐将近30倍，比循环快了500-600倍。
import numpy as np
A = np.random.rand(1000,1000)
B = np.random.rand(1000,1000)
%%time
# Using loops
s = 0
n, m = A.shape
for i in range(n):
for j in range(m):
s += A[i, j]*B[i, j]
s
# CPU times: user 596 ms, sys: 5.79 ms, total: 602 ms
# Wall time: 607 ms
# 249760.77497519302
CPU times: user 596 ms, sys: 5.79 ms, total: 602 ms
Wall time: 607 ms
249760.77497519302
%%time
# Using built-in numpy functions
np.trace(np.dot(A.T, B))
# CPU times: user 113 ms, sys: 8.54 ms, total: 121 ms
# Wall time: 38.1 ms
# 249760.7749751993
CPU times: user 113 ms, sys: 8.54 ms, total: 121 ms
Wall time: 38.1 ms
249760.7749751993
%%time
# Using einsum
np.einsum('ij,ij->', A,B)
# CPU times: user 1.64 ms, sys: 689 µs, total: 2.33 ms
# Wall time: 1.19 ms
# 249760.7749751993
CPU times: user 1.64 ms, sys: 689 µs, total: 2.33 ms
Wall time: 1.19 ms
249760.7749751993所有涉及到矩阵，向量，张量等计算的问题。
Write Better And Faster Python Using Einstein Notation
往期精彩回顾
适合初学者入门人工智能的路线及资料下载 (图文+视频)机器学习入门系列下载 中国大学慕课《机器学习》（黄海广主讲） 机器学习及深度学习笔记等资料打印 《统计学习方法》的代码复现专辑 AI基础下载 机器学习交流qq群955171419，加入微信群请扫码：
评论