给定任何n x n实系数矩阵A,我们可以定义一个双线性形式b子A : Rn x R n → R 由
bA(x, y) = xTAy ,
和二次型 qA : Rn → R 由
qA(x) = bA(x, x) = xTAx .
(对于二次型qA的大多数常见应用,矩阵A是对称的,甚至是对称正定的,所以随意如果这对您的回答很重要,则假设是其中任何一种情况。)
(此外,FWIW、bI 和 qI(其中 I 是 n x n 单位矩阵)分别是标准内积和平方 L2 -Rn 上的范数,即 xTy 和 x Tx.)
现在假设我有两个 n x m 矩阵,X 和 Y,以及一个 n x n 矩阵 A。我想优化 bA(x,i , y,i) 和 qA(x,i)(其中 x,i 和 y,i 表示分别是 X 和 Y 的第 i 列),我推测,至少在某些环境中,例如 numpy、R 或Matlab,这将涉及某种形式的矢量化。
我能想到的唯一解决方案是生成具有维度的对角 block 矩阵 [X]、[Y] 和 [A] mn x m、mn x m 和 mn x mn ,分别与( block )对角线元素 x,i, y,i,和 A,分别。那么所需的计算将是矩阵乘法 [X]T[A][Y] 和 [< em>X]T[A][X]。这种策略绝对是毫无创意的,但如果有一种在时间和空间方面都有效的方法,我希望看到它。 (不用说,任何不利用这些 block 矩阵的稀疏性的实现都注定要失败。)
有没有更好的方法?
我偏爱的系统是 numpy,但根据其他一些支持高效矩阵计算的系统(例如 R 或 Matlab)的答案也可能没问题(假设我能弄清楚如何将它们移植到 numpy ).
谢谢!
<子> 当然,计算 XTAY 和 XTAX 的乘积将计算出所需的 bA(x,i, y,i ) 和 qA(x,i)(作为结果 m x m 矩阵的对角线元素),以及 O(m2 ) 无关bA(x,i, y,j) 和bA(x,i , x,j), (i ≠ j), 所以这是不可能的。
最佳答案
这是 numpy 中的一个解决方案,应该可以满足您的需求:
((np.matrix(X).T*np.matrix(A)).A * Y.T.A).sum(1)
这对 XT * A 进行矩阵乘法,然后逐元素数组乘法以乘以 YT。然后将所得数组的行相加以产生一维数组。
关于python - 如何向量化双线性和二次形式的评估?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/8457110/