作为批量欧几里得距离计算的一部分，我正在计算
(X * X).sum(axis=1)
其中X是一个相当大的二维数组。这工作正常，但它构造了一个与 X 大小相同的临时数组。有没有办法摆脱这种暂时的，但保留矢量化操作的效率？
显而易见的候选人，
np.array([np.dot(row, row) for row in X])
工作，但使用 Python 列表作为临时列表，使其相当慢。
如果没有axis，内存效率的形式将是
(X * X).sum() => np.dot(X.ravel(), X.ravel())
我知道，当axis=1时，它相当于
np.diag(np.dot(X, X.T))
这让我研究了dot的概括，例如np.inner，np.tensordot和np.einsum，但我无法弄清楚它们将如何解决我的问题。
einsum等价物是：
np.einsum('ij,ij->i', X, X)
虽然我不确定这在内部是如何工作的，所以它可能会也可能不会解决您的问题。