Python(Numpy)————爱因斯坦求和约定

青旅半醒 2022-12-30 10:59 149阅读 0赞

# 爱因斯坦求和约定 #

爱因斯坦求和约定(Einstein summation convention)是一种标记的约定，在处理关于坐标的方程式时非常有用。

### 文章目录 ###

*  1 简介
 *  2 一般运算
 *  3 Numpy中的einsum()方法
 *   *  案例1: 降维
     *  案例2: 矩阵乘法
     *  案例3: 实现一般运算

# 1 简介 #

--------------------

爱因斯坦求和约定省去了求和符号，下面的点成公式  
 s = ∑ i v i w i s = \\sum\_\{i\} v\_i w\_i s=i∑viwi  
这个公式描述的是，两个向量对应元素相乘后求和，这种写法与我们而言，觉得很简单了，但是对于爱因斯坦而言，嫌它太麻烦，于是他发明了另一种标记符号。  
 s = v i w i s = v\_iw^i s=viwi  
在爱因斯坦的标记体系中，下标表示行向量中的元素  
 \[ v 1 , v 2 , v 3 , . . . v k \] \\left\[ v\_1, v\_2, v\_3, ... v\_k \\right\] \[v1,v2,v3,...vk\]  
上标表示列向量  
 \[ w 1 w 2 . . . w k \] \\begin\{bmatrix\} w^1\\\\ w^2\\\\ ...\\\\ w^k \\end\{bmatrix\} ⎣⎢⎢⎡w1w2...wk⎦⎥⎥⎤  
上述向量中的 w 1 , w 2 w^1, w^2 w1,w2 分别表示为列向量中的第1个， 第2个元素。那么类似的，

# 2 一般运算 #

--------------------

矩阵A中的第m行，第n列元素，以前标记为 A m n A\_\{mn\} Amn 现在标记为 A n m A^m\_n Anm  
(1) 内积  
 u ⃗ ⋅ v ⃗ = u j v i \\vec\{u\} \\cdot \\vec\{v\} = u\_jv^i u⋅v=ujvi  
(2) 向量乘以矩阵，矩阵A和向量v的乘积是向量b  
 u ⃗ i = A j i v j \\vec\{u\}\_i = A^i\_jv^j ui=Ajivj  
(3) 矩阵乘法，矩阵 A i × j A\_\{i×j\} Ai×j和矩阵 B j × k B\_\{j×k\} Bj×k 两者的乘积  
 C k i = A j i B k j C\_k^i = A\_j^iB\_k^j Cki=AjiBkj  
(4) 矩阵的迹，对于矩阵A，上标和下标相同，就可以得到矩阵的迹 t t t  
 t = A i i t = A\_i^i t=Aii  
(5) 外积，M维向量a和N维余向量b的外积是一个M×N的矩阵A  
 A j i = a i b j A\_j^i = a^ib\_j Aji=aibj

# 3 Numpy中的einsum()方法 #

--------------------

在矩阵运算中，einsum()求和约定能够实现求和，求内积，求外积， 矩阵乘法，矩阵转置，求迹。

在einsum()方法的第一个参数是格式字符串

*  不同的输入变量格式字符串之间要用逗号分隔开，且输入格式字符的数量和参与运算的变量数量匹配
 *  输入格式字符串和输出格式字符串用箭头分隔开
 *  输入格式字符串中字符串长度和张量的维数相对应。如 ‘ij’ 表示二维张量，'ijk’表示三维张量。

## 案例1: 降维 ##

import numpy as np
    
    # 1 一维向量求和
    arr = np.arange(10)
    sum1 = np.einsum('i->', arr)
    # print(sum1)
    
    # 2 二维数组按行和按列求和
    arr2 = np.arange(20).reshape(4, 5)
    sum_col = np.einsum('ij->j', arr2)      # 按列求和
    sum_row = np.einsum('ij->i', arr2)      # 按行求和
    # print(sum_col)
    # print(sum_row)
    
    # 3 三维到二维的约减操作
    arr3 = np.arange(27).reshape(3, 3, 3)
    # print(arr3)
    ret = np.einsum('ijk->jk', arr3)    # 三维将为二维
    print(ret)

## 案例2: 矩阵乘法 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ppYW5neWlfMTYxMjEwMV8wMw_size_16_color_FFFFFF_t_70_pic_center]

import numpy as np
    
    # 矩阵乘法dot实现和einsum实现
    a = np.array([[1, 1, 1], [2, 2, 2], [3, 3, 3]])
    b = np.array([[0, 1, 0], [1, 0, 1], [0, 1, 0]])
    ret1 = np.dot(a, b)      # 矩阵a*b
    print(ret1)
    ret2 = np.einsum('ij, jk->ik', a, b)
    print(ret2)

## 案例3: 实现一般运算 ##

import numpy as np
    
    # 1.内积
    a = np.arange(1, 10)        # 1-9
    b = np.arange(1, 10)        # 1-9
    ret_inner = np.einsum('i, i->', a, b)
    # print(ret_inner)
    # ret = np.dot(a, b)        # 等价于上面的einsum()
    # print(ret)
    
    # 2 向量乘以矩阵
    a = np.arange(1, 10).reshape((3, 3))
    b = np.arange(1, 4)
    vec_mul_mat = np.einsum('ij, j->i', a, b)
    # print(vec_mul_mat)
    
    # 3 矩阵的迹
    a = np.arange(1, 10).reshape((3, 3))
    ret_trace = np.einsum('ii->', a)
    print(ret_trace)
    
    # 4 外积
    a = np.arange(1, 10)        # 1-9
    b = np.arange(1, 10)        # 1-9
    
    ret_outer = np.einsum('i, j ->ij', a, b)
    print(ret_outer)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ppYW5neWlfMTYxMjEwMV8wMw_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/492c52ecb83d49fa9c5afe3bf4855ef6.png