NumPy:如何快速归一化许多向量？
NumPy:如何快速归一化许多向量？
提问于 2010-05-18 00:13:45
如何在NumPy中优雅地规范化向量列表？
下面是一个不起作用的例子：
from numpy import *
vectors = array([arange(10), arange(10)]) # All x's, then all y's
norms = apply_along_axis(linalg.norm, 0, vectors)
# Now, what I was expecting would work:
print vectors.T / norms # vectors.T has 10 elements, as does norms, but this does not work最后一个操作产生“形状不匹配:对象不能广播到单个形状”。
如何使用NumPy优雅地对vectors中的2D向量进行标准化？
编辑：为什么在向norms添加维度时上面的操作不起作用(根据我下面的答案)？
回答 6
Stack Overflow用户
回答已采纳
发布于 2010-05-18 00:21:10
好吧，除非我漏掉了什么，这是有效的：
vectors / norms你的建议中的问题是广播规则。
vectors # shape 2, 10
norms # shape 10形状的长度不一样！因此，规则是首先在left上将小形状扩展一
norms # shape 1,10您可以通过调用以下命令手动完成此操作：
vectors / norms.reshape(1,-1) # same as vectors/norms如果要计算vectors.T/norms，则必须手动进行整形，如下所示：
vectors.T / norms.reshape(-1,1) # this worksStack Overflow用户
发布于 2012-10-04 00:24:12
计算大小
我遇到了这个问题，并对你的规范化方法感到好奇。我使用一种不同的方法来计算大小。注意:我通常也会计算最后一个索引(在本例中是行，而不是列)的规范。
magnitudes = np.sqrt((vectors ** 2).sum(-1))[..., np.newaxis]然而，通常情况下，我只是这样标准化：
vectors /= np.sqrt((vectors ** 2).sum(-1))[..., np.newaxis]时间比较
我运行了一个测试来比较时间，发现我的方法快了相当多，但Freddie Witherdon的建议更快。
import numpy as np
vectors = np.random.rand(100, 25)
# OP's
%timeit np.apply_along_axis(np.linalg.norm, 1, vectors)
# Output: 100 loops, best of 3: 2.39 ms per loop
# Mine
%timeit np.sqrt((vectors ** 2).sum(-1))[..., np.newaxis]
# Output: 10000 loops, best of 3: 13.8 us per loop
# Freddie's (from comment below)
%timeit np.sqrt(np.einsum('...i,...i', vectors, vectors))
# Output: 10000 loops, best of 3: 6.45 us per loop但要注意，正如这篇StackOverflow answer所指出的那样，einsum没有进行一些安全检查，因此您应该确保vectors的dtype足以足够准确地存储幅度的平方。
Stack Overflow用户
发布于 2010-05-18 00:17:33
好的:NumPy的数组形状广播将维度添加到数组形状的左侧，而不是右侧。但是，可以指示NumPy在norms数组的右侧添加一个维度：
print vectors.T / norms[:, newaxis]确实起作用了！
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/2850743
复制相关文章
相似问题
腾讯云开发者
