Подход № 1: Умножение матриц с 6D
перестановочны
% Get sizes
[m1,m2,~] = size(X);
[n1,n2,N,n4,n5] = size(Y);
% Lose the third dim from X and Y with matrix-multiplication
parte1 = reshape(permute(Y,[1,2,4,5,3]),[],N)*reshape(X,[],N).';
% Rearrange the leftover dims to bring kron format
parte2 = reshape(parte1,[n1,n2,I,J,m1,m2]);
% Lose dims correspinding to last two dims coming in from Y corresponding
% to the iterative summation as suggested in the question
out = reshape(permute(sum(sum(parte2,3),4),[1,6,2,5,3,4]),m1*n1,m2*n2)
Подход № 2: Простой 7D
переставлять
% Get sizes
[m1,m2,~] = size(X);
[n1,n2,N,n4,n5] = size(Y);
% Perform kron format elementwise multiplication betwen the first two dims
% of X and Y, keeping the third dim aligned and "pushing out" leftover dims
% from Y to the back
mults = bsxfun(@times,permute(X,[4,2,5,1,3]),permute(Y,[1,6,2,7,3,4,5]));
% Lose the two dims with summation reduction for final output
out = sum(reshape(mults,m1*n1,m2*n2,[]),3);
Проверка
Вот настройки для запуска оригинала и предлагаемые подходы -
% Setup inputs
X = rand(10,10,10);
Y = rand(10,10,10,10,10);
% Original approach
[n1,n2,N,I,J] = size(Y);
K = zeros(100);
for a=1:N
for i=1:I
for j=1:J
M = kron(X(:,:,a).',Y(:,:,a,i,j));
K = K + M;
end
end
end
% Approach #1
[m1,m2,~] = size(X);
[n1,n2,N,n4,n5] = size(Y);
mults = bsxfun(@times,permute(X,[4,2,5,1,3]),permute(Y,[1,6,2,7,3,4,5]));
out1 = sum(reshape(mults,m1*n1,m2*n2,[]),3);
% Approach #2
[m1,m2,~] = size(X);
[n1,n2,N,n4,n5] = size(Y);
parte1 = reshape(permute(Y,[1,2,4,5,3]),[],N)*reshape(X,[],N).';
parte2 = reshape(parte1,[n1,n2,I,J,m1,m2]);
out2 = reshape(permute(sum(sum(parte2,3),4),[1,6,2,5,3,4]),m1*n1,m2*n2);
После запуска мы видим макс. абсолютное отклонение с предлагаемыми подходами к первоначальному -
>> error_app1 = max(abs(K(:)-out1(:)))
error_app1 =
1.1369e-12
>> error_app2 = max(abs(K(:)-out2(:)))
error_app2 =
1.1937e-12
Ценности выглядят хорошо для меня!
Бенчмаркинг
Timing эти три подхода, используя тот же большой набор данных, который используется для проверки, мы получаем что-то вроде этого -
----------------------------- With Loop
Elapsed time is 1.541443 seconds.
----------------------------- With BSXFUN
Elapsed time is 1.283935 seconds.
----------------------------- With MATRIX-MULTIPLICATION
Elapsed time is 0.164312 seconds.
Похоже матрицы-умножения делает довольно хорошо для набора данных этих размеров!
Просто, чтобы быть ясным, в обоих новых подходах, out1 и out2 замените K? Если да, то в случае, когда K = K + M сложнее, можно ли это отразить? Например, в исходном примере, если каждый M был нормирован константой, которая изменяется для каждой итерации цикла? Второй пример - если бы M добавила к нему булевскую маску, прежде чем добавлять к K. Будут ли эти дополнительные шаги нарушать выход? –
@MikeVandenberg Для ex1 в качестве этапа предварительной обработки используйте: 'Y = bsxfun (@ times, Y, перестановка (шкала, [4,5,1,2,3]);", а затем используйте предлагаемые коды, где scale - масштабирующая матрица размера '(N, I, J)'. Для ex2 у вас будет другая маска для каждой итерации или того же самого? – Divakar
Думаю, я не должен был упрощать эти шаги, потому что они нетривиальны. Вот конкретная функция, которая конструирует K: 'pr = real (trace (E * M)); K = K + H (i, j, a) * M/pr; ' Где H - известная матрица перед рукой.Итак, да, на каждой итерации мы вытягиваем другой кусочек H и нормализуем M другой константой, которая является следом продукта E * M, где E - булева маска. –