معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Multithreaded version of numpy.einsum function

ویژگی	مقدار
سیستم عامل	-
نام فایل	einsumt-0.9.3
نام	einsumt
نسخه کتابخانه	0.9.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Marek Wojciechowski
ایمیل نویسنده	mrkwjc@gmail.com
آدرس صفحه اصلی	https://github.com/mrkwjc/einsumt
آدرس اینترنتی	https://pypi.org/project/einsumt/
مجوز	MIT

# einsumt Multithreaded version of numpy.einsum function. # Reasoning Numpy's einsum is a fantastic function which allows for sophisticated array operations with a single, clear line of code. However, this function in general does not benefit from the underlaying multicore architecture and all operations are performed on a single CPU. The idea is then to split the einsum input operands along the chosen subscript, perform computation in threads and then compose the final result by summation (if subscript is not present in output) or concatenation of partial results. # Usage This function can be used as a replacement for numpy's einsum: from einsumt import einsumt as einsum result = einsum(*operands, **kwargs) In current implementation first operand *must* be a subscripts string. Other differences will be treated as unintended bugs. # Benchmarking In order to test, if `einsumt` would be beneficial in your particular case please run the benchmark, e.g.: import numpy as np from einsumt import bench_einsumt bench_einsumt('aijk,bkl->ail', np.random.rand(100, 100, 10, 10), np.random.rand(50, 10, 50)) and the result is: Platform: Linux CPU type: Intel(R) Core(TM) i7-8750H CPU @ 2.20GHz Subscripts: aijk,bkl->ail Shapes of operands: (100, 100, 10, 10), (50, 10, 50) Leading index: automatic Pool type: default Number of threads: 12 Execution time: np.einsum: 2755 ms (average from 1 runs) einsumt: 507.9 ms (average from 5 runs) Speed up: 5.424x More exemplary benchmark calls are contained in bench_einsum.py file. # Disclaimer Before you start to blame me because of little or no speedups please keep in mind that threading costs additional time (because of splitting and joining data for example), so `einsumt` function would become beneficial for larger arrays only. Note also that in many cases numpy's einsum can be efficiently replaced with combination of optimized dots, tensordots, matmuls, transpositions and so on, instead of `einsumt` (at cost of code clarity of course).

زبان مورد نیاز

مقدار	نام
>=2.7	Python

نحوه نصب

نصب پکیج whl einsumt-0.9.3:

pip install einsumt-0.9.3.whl

نصب پکیج tar.gz einsumt-0.9.3:

pip install einsumt-0.9.3.tar.gz