python - numpy-矩阵多个3x3和100x100x3阵列？

我有以下内容：

import numpy as np

XYZ_to_sRGB_mat_D50 = np.asarray([
    [3.1338561, -1.6168667, -0.4906146],
    [-0.9787684, 1.9161415, 0.0334540],
    [0.0719453, -0.2289914, 1.4052427],
])

XYZ_1 = np.asarray([0.25, 0.4, 0.1])
XYZ_2 = np.random.rand(100,100,3)

np.matmul(XYZ_to_sRGB_mat_D50, XYZ_1) # valid operation
np.matmul(XYZ_to_sRGB_mat_D50, XYZ_2) # makes no sense mathematically

如何在XYZ_2上执行与在XYZ_2上相同的操作？我会以某种方式首先重塑数组吗？

最佳答案

看来您正在尝试使用sum-reduce XYZ_to_sRGB_mat_D50的最后一个(axis=1) XYZ_2 (axis=2)的最后一个轴。因此，您可以像这样使用np.tensordot-

np.tensordot(XYZ_2, XYZ_to_sRGB_mat_D50, axes=((2),(1)))

Related post to understand tensordot。



为了完整起见，在交换np.matmul的最后两个轴之后，我们当然也可以使用XYZ_2，就像这样-

np.matmul(XYZ_to_sRGB_mat_D50, XYZ_2.swapaxes(1,2)).swapaxes(1,2)

这不会像tensordot那样高效。



运行时测试-

In [158]: XYZ_to_sRGB_mat_D50 = np.asarray([
     ...:     [3.1338561, -1.6168667, -0.4906146],
     ...:     [-0.9787684, 1.9161415, 0.0334540],
     ...:     [0.0719453, -0.2289914, 1.4052427],
     ...: ])
     ...:
     ...: XYZ_1 = np.asarray([0.25, 0.4, 0.1])
     ...: XYZ_2 = np.random.rand(100,100,3)

# @Julien's soln
In [159]: %timeit XYZ_2.dot(XYZ_to_sRGB_mat_D50.T)
1000 loops, best of 3: 450 µs per loop

In [160]: %timeit np.tensordot(XYZ_2, XYZ_to_sRGB_mat_D50, axes=((2),(1)))
10000 loops, best of 3: 73.1 µs per loop

一般来说，在张量上使用sum-reductions时，tensordot效率更高。由于sum-reduction的轴只有一个，因此我们可以通过重塑将张量制成2D数组，使用np.dot，获取结果并将其整形为3D。

关于python - numpy-矩阵多个3x3和100x100x3阵列？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/47646789/