随着对numpy(1.14(的最新更新,我发现它打破了整个代码库。这是基于更改默认的numpy einsum优化参数从false到true的参数。
结果,以下基本操作现在失败:
a = np.random.random([50, 2, 2])
b = np.random.random([50, 2])
np.einsum('bdc, ac -> ab', a, b, optimize=True)
带有以下错误跟踪:
ValueError Traceback (most recent call last)
<ipython-input-71-b0f9ce3c71a3> in <module>()
----> 1 np.einsum('bdc, ac -> ab', a, b, optimize=True)
C:ProgramDataAnaconda3libsite-packagesnumpycoreeinsumfunc.py in
einsum(*operands, **kwargs)
1118
1119 # Contract!
-> 1120 new_view = tensordot(*tmp_operands, axes=
(tuple(left_pos), tuple(right_pos)))
1121
1122 # Build a new view if needed
C:ProgramDataAnaconda3libsite-packagesnumpycorenumeric.py in
tensordot(a, b, axes)
1301 oldb = [bs[axis] for axis in notin]
1302
-> 1303 at = a.transpose(newaxes_a).reshape(newshape_a)
1304 bt = b.transpose(newaxes_b).reshape(newshape_b)
1305 res = dot(at, bt)
ValueError: axes don't match array
我要从Einsum请求的操作似乎很简单...那么为什么会失败?如果我设置" Optimize = false",则可以正常工作。
我尝试使用einsum_path探索,但是在不优化的情况下,由此产生的路径信息是相同的。
In [40]: a=np.ones((50,2,2),int); b=np.ones((50,2),int)
In [41]: np.einsum('bdc,ac->ab', a, b)
...
ValueError: axes don't match array
我看不到优化与此错误有什么关系。
第一个参数b,d,c
为50,2,2。对于第二个a,c
为50,2。结果应为50,50。但是d
发生了什么?
In [43]: np.einsum('bdc,ac->abd', a, b).shape
Out[43]: (50, 50, 2)
糟糕:
In [49]: np.einsum('bdc,ac->ab', a, b, optimize=False).shape
Out[49]: (50, 50)
因此,它是在d
上的总结。
注意错误 - 使用优化,它使用tensordot
(转置加上dot
(,而不是原始的einsum
nditer
方法。
c_einsum
是可以处理缺少d
的一种:
# If no optimization, run pure einsum
if optimize_arg is False:
return c_einsum(*operands, **kwargs)
尝试了一些时间:
默认优化的两个步骤计算:
In [64]: timeit np.einsum('abd->ab', np.einsum('bdc,ac->abd', a, b))
288 µs ± 518 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
所需的c_einsum
更快
In [65]: timeit np.einsum('bdc,ac->ab', a, b, optimize=False)
170 µs ± 83.2 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
实际上,即使tensordot
版本工作
c_einsum
也更快 In [67]: timeit np.einsum('bdc,ac->abd', a, b,optimize=False)
73.1 µs ± 46.6 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [68]: timeit np.einsum('bdc,ac->abd', a, b,optimize=True)
207 µs ± 6.97 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
此示例可能太小了,无法显示tensordot/blas
的优势。
看起来这是在github上提出的 - 既有故障又是较慢的"优化"速度:https://github.com/numpy/numpy/numpy/issues/issues/10343" Einsum广播回归(具有Optimize = true = true(">