对角阵列上的 numpy 线性代数，没有显式重复
numpy linear algebra on diagonal arrays without explicit duplication
我有一个数组w（形状(3000, 100, 100)），我想将它与另一个数组e（形状(5, 3000)）相乘，使得结果k 的形状为 (5, 5, 100, 100) 和
k[:, :, i, j] = e @ np.diag(w[:, i, j]) @ e.T
由于 w 如此之大，制作一些形状为 (3000, 3000, 100, 100) 的 super_w 数组并显式填充主对角线是不切实际的。循环 i 和 j 也不是很有效。除了将 w 分成块之外，是否有一种节省内存的方法来执行此操作？
k = np.einsum('li,ijk,mi->lmjk',e,w,e)
我有一个数组w（形状(3000, 100, 100)），我想将它与另一个数组e（形状(5, 3000)）相乘，使得结果k 的形状为 (5, 5, 100, 100) 和
k[:, :, i, j] = e @ np.diag(w[:, i, j]) @ e.T
由于 w 如此之大，制作一些形状为 (3000, 3000, 100, 100) 的 super_w 数组并显式填充主对角线是不切实际的。循环 i 和 j 也不是很有效。除了将 w 分成块之外，是否有一种节省内存的方法来执行此操作？
k = np.einsum('li,ijk,mi->lmjk',e,w,e)