python - 为什么 numpy.multipy() 在这种具有非常大的多维数组的特定情况下如此昂贵？

Question

使用 EM 算法，我目前正在摆弄以下代码示例（这是在一个循环中，所以我只是零）：

    XminusMu = np.subtract(X, mu[i])
    matmul = np.matmul(XminusMu[:,:,np.newaxis],  XminusMu[:,np.newaxis,:])
    nominator = np.multiply(alpha[i], matmul)

数组具有以下形状：

XminusMu.shape = (1512090, 25)
matmul.shape = (1512090, 25, 25)
alpha.shape = (2,)

奇怪的是，即使这些是巨大的数组，在此之前我对它们进行了很多操作，没有问题并且运行时间非常快（尽可能避免循环）。同样在上述情况下，减法和 matmul 操作相当快（matmul 操作需要 3-5 秒，但我想这对于 CPU 上的 150 万个外部产品来说仍然是合理的？）。但是，计算nominator最多需要 30 秒，任务管理器显示，python 最多使用 5GB 内存。如果我在计算提名者之后设置断点，我什至无法在 Visual Studio 监视窗口中真正评估它，因为评估中断/没有完成。在运行这条线之前（例如运行np.sum(XminusMu)在 VS 监视窗口中调试期间需要一瞬间，但np.sum(nominator)会导致评估错误。

现在，问题是：这只是不可避免的（因为matmul并且nominator仍然比 大 25 倍XminusMu），还是我的实现有问题 - 意味着有没有更快的方法来计算这些乘法？

标签： pythonarraysnumpy