对于可逆矩阵,我们可以使用np.linalg.inv on the 3D
array A
然后使用张量矩阵乘法B
这样我们就分别丢失了这两个数组的最后一个和第一个轴,如下所示 -
np.tensordot( np.linalg.inv(A), B, axes=((-1),(0)))
样本运行 -
In [150]: A
Out[150]:
array([[[ 0.70454189, 0.17544101, 0.24642533],
[ 0.66660371, 0.54608536, 0.37250876],
[ 0.18187631, 0.91397945, 0.55685133]],
[[ 0.81022308, 0.07672197, 0.7427768 ],
[ 0.08990586, 0.93887203, 0.01665071],
[ 0.55230314, 0.54835133, 0.30756205]]])
In [151]: B = np.array([[1],[2],[3]])
In [152]: np.linalg.solve(A[0], B)
Out[152]:
array([[ 0.23594665],
[ 2.07332454],
[ 1.90735086]])
In [153]: np.linalg.solve(A[1], B)
Out[153]:
array([[ 8.43831557],
[ 1.46421396],
[-8.00947932]])
In [154]: np.tensordot( np.linalg.inv(A), B, axes=((-1),(0)))
Out[154]:
array([[[ 0.23594665],
[ 2.07332454],
[ 1.90735086]],
[[ 8.43831557],
[ 1.46421396],
[-8.00947932]]])
或者,张量矩阵乘法可以替换为np.matmul,就像这样-
np.matmul(np.linalg.inv(A), B)
在 Python 3.x 上,我们可以使用@操作员对于相同的功能 -
np.linalg.inv(A) @ B