python – 使用多个内核的Numpy np.einsum数组乘法

我已经编译了numpy 1.6.2和scipy与MKL希望有更好的性能.
目前我有一个严重依赖于np.einsum()的代码,我被告知einsum对MKL不好,因为几乎没有矢量化. =(
所以我想用np.dot()和切片来重写我的一些代码,只是为了能够获得一些多核速度.
我非常喜欢np.einsum()的简单性,可读性很好.
无论如何,例如,我有一个多维矩阵乘法形式：

np.einsum('mi,mnijqk->njqk',A,B)

那么如何在np.dot()高效的MKL操作中转换这样的东西,或者其他3,4和5维数组乘法呢？

我会提供更多信息：
我正在计算这个等式：

为此,我使用的代码：

np.einsum('mn,mni,nij,nik,mi->njk',a,np.exp(b[:,:,np.newaxis]*U[np.newaxis,:]),P,X)

这不是那么快,在cython中编码的同样的东西快5倍：

    #STACKOVERFLOW QUESTION:
from __future__ import division
import numpy as np
cimport numpy as np
cimport cython

cdef extern from "math.h":
    double exp(double x)


DTYPE = np.float

ctypedef np.float_t DTYPE_t
@cython.boundscheck(False) # turn of bounds-checking for entire function
def cython_DX_h(np.ndarray[DTYPE_t,ndim=3] P,np.ndarray[DTYPE_t,ndim=1] a,ndim=1] b,ndim=2] U,ndim=2] X,int I,int M):
    assert P.dtype == DTYPE and a.dtype == DTYPE and b.dtype == DTYPE and U.dtype == DTYPE and X.dtype == DTYPE

cdef np.ndarray[DTYPE_t,ndim=3] DX_h=np.zeros((N,I,I),dtype=DTYPE)
cdef unsigned int j,n,k,m,i
for n in range(N):
    for j in range(I):
        for k in range(I):
            aux=0
            for m in range(N):
                for i in range(I):
                    aux+=a[m,n]*exp(b[m,n]*U[n,i])*P[n,i,j]*P[n,k]*X[m,i]
            DX_h[n,j,k]=aux
return DX_h

有没有办法在纯Python中用cython的性能来做到这一点？ (我还没弄清楚如何对这个方程进行推理)
在这个cython代码中没有能够做prange,很多gil和nogil错误.

最佳答案

或者,您可以使用numpy.tensordot()：

np.tensordot(A,B,axes=[[0,1],[0,2]])

它也将使用多个核心,如numpy.dot().