简介
播送形容的是 NumPy 如何计算不同形态的数组之间的运算。如果是较大的矩阵和较小的矩阵进行运算的话,较小的矩阵就会被播送,从而保障运算的正确进行。
本文将会以具体的例子具体解说 NumPy 中播送的应用。
根底播送
失常状况下,两个数组须要进行运算,那么每个数组的对象都须要有一个绝对应的值进行计算才能够。比方上面的例子:
a = np.array([1.0, 2.0, 3.0])
b = np.array([2.0, 2.0, 2.0])
a * b
array([2., 4., 6.])
然而如果应用 Numpy 的播送个性,那么就不必须元素的个数精确对应。
比方,咱们能够讲一个数组乘以常量:
a = np.array([1.0, 2.0, 3.0])
>>> b = 2.0
>>> a * b
array([2., 4., 6.])
上面的例子和下面的例子是等价的,Numpy 会主动将 b 进行扩大。
NumPy 足够聪慧,能够应用原始标量值而无需理论制作正本,从而使播送操作尽可能地节俭内存并进步计算效率。
第二个示例中的代码比第一个示例中的代码更无效,因为播送在乘法过程中挪动的内存更少(b 是标量而不是数组)。
播送规定
如果两个数组操作,NumPy 会对两个数组的对象进行比拟,从最初一个维度开始,如果两个数组的维度满足上面的两个条件,咱们就认为这两个数组是兼容的,能够进行运算:
- 维度中的元素个数是雷同的
- 其中一个维数是 1
如果下面的两个条件不满足的话,就会抛出异样:ValueError: operands could not be broadcast together。
维度中的元素个数是雷同的,并不意味着要求两个数组具备雷同的维度个数。
比方示意色彩的 256x256x3
数组,能够和一个一维的 3 个元素的数组相乘:
Image (3d array): 256 x 256 x 3
Scale (1d array): 3
Result (3d array): 256 x 256 x 3
相乘的时候,维度中元素个数是 1 的会被拉伸到和另外一个维度中的元素个数统一:
A (4d array): 8 x 1 x 6 x 1
B (3d array): 7 x 1 x 5
Result (4d array): 8 x 7 x 6 x 5
下面的例子中,第二维的 1 被拉伸到 7,第三维的 1 被拉伸到 6,第四维的 1 被拉伸到 5。
还有更多的例子:
B (1d array): 1
Result (2d array): 5 x 4
A (2d array): 5 x 4
B (1d array): 4
Result (2d array): 5 x 4
A (3d array): 15 x 3 x 5
B (3d array): 15 x 1 x 5
Result (3d array): 15 x 3 x 5
A (3d array): 15 x 3 x 5
B (2d array): 3 x 5
Result (3d array): 15 x 3 x 5
A (3d array): 15 x 3 x 5
B (2d array): 3 x 1
Result (3d array): 15 x 3 x 5
上面是不匹配的例子:
A (1d array): 3
B (1d array): 4 # trailing dimensions do not match
A (2d array): 2 x 1
B (3d array): 8 x 4 x 3 # second from last dimensions mismatched
再举个理论代码的例子:
>>> x = np.arange(4)
>>> xx = x.reshape(4,1)
>>> y = np.ones(5)
>>> z = np.ones((3,4))
>>> x.shape
(4,)
>>> y.shape
(5,)
>>> x + y
ValueError: operands could not be broadcast together with shapes (4,) (5,)
>>> xx.shape
(4, 1)
>>> y.shape
(5,)
>>> (xx + y).shape
(4, 5)
>>> xx + y
array([[1., 1., 1., 1., 1.],
[2., 2., 2., 2., 2.],
[3., 3., 3., 3., 3.],
[4., 4., 4., 4., 4.]])
>>> x.shape
(4,)
>>> z.shape
(3, 4)
>>> (x + z).shape
(3, 4)
>>> x + z
array([[1., 2., 3., 4.],
[1., 2., 3., 4.],
[1., 2., 3., 4.]])
播送还提供了一个十分不便的进行两个 1 维数组进行内部乘积的运算:
>>> a = np.array([0.0, 10.0, 20.0, 30.0])
>>> b = np.array([1.0, 2.0, 3.0])
>>> a[:, np.newaxis] + b
array([[1., 2., 3.],
[11., 12., 13.],
[21., 22., 23.],
[31., 32., 33.]])
其中 a[:, np.newaxis] 将 1 维的数组转换成为 4 维的数组:
In [230]: a[:, np.newaxis]
Out[230]:
array([[0.],
[10.],
[20.],
[30.]])
本文已收录于 http://www.flydean.com/07-python-numpy-broadcasting/
最艰深的解读,最粗浅的干货,最简洁的教程,泛滥你不晓得的小技巧等你来发现!
欢送关注我的公众号:「程序那些事」, 懂技术,更懂你!