我拥有的一些代码的瓶颈是：
for _ in range(n):
W = np.dot(A, W)
其中n可以变化，A是固定大小的MxM矩阵，W是Mx1。
有没有一个好的方法来优化它？
Numpy解决方案
由于np.dot只是形状的矩阵乘法，所以可以将您想要的内容写成A^n*W。其中"^是重复矩阵乘法"；matrix_ power"；和*矩阵乘法。因此，您可以将代码重写为
np.linalg.matrix_power(A,n)@W
线性代数解
你可以用线性代数做得更好。假设W是A的特征向量，即A*W=a*W只有一个数字，那么它就跟在A^n*W=a^n*W.后面。现在你可能会认为可以，但如果W不是特征向量呢。由于矩阵乘法是线性的，所以如果W可以写成特征向量的线性组合也是好的，并且在W不能写成特征向量线性组合的情况下，甚至可以推广这个想法。如果你想阅读更多关于谷歌对角化和约旦范式的信息。