验证m×n×n型numpy张量中矩阵元素与转置元素互为倒数

核心思路 #

• 利用numpy的向量化操作实现全张量批量计算，规避Python循环的性能开销
• 通过转置张量与原张量的元素级乘积是否全为1，验证互为倒数的条件
• 使用浮点安全的np.allclose处理数值精度误差问题

实现代码 #

import numpy as np

def check_reciprocal_transpose(tensor):
    # 验证输入形状合法性
    if tensor.ndim != 3 or tensor.shape[1] != tensor.shape[2]:
        raise ValueError("输入必须是形状为(m, n, n)的3D张量")
    
    # 对每个方阵执行转置（交换后两个维度）
    transposed_tensor = tensor.transpose(0, 2, 1)
    
    # 计算原张量与转置张量的元素级乘积
    element_product = tensor * transposed_tensor
    
    # 检查所有乘积是否在浮点误差范围内等于1
    return np.allclose(element_product, np.ones_like(element_product))

性能优势说明 #

• 全向量化并行：所有核心计算（转置、乘积、精度检查）均为numpy底层C实现，自动利用CPU的SIMD并行指令，最大化硬件利用率
• 内存高效：transpose操作返回原张量的视图而非复制，无额外内存冗余开销
• 批量处理：一次性处理所有m个方阵，无需循环遍历单个矩阵

测试示例 #

# 生成4个符合条件的3×3矩阵
m, n = 4, 3
test_tensor = np.random.rand(m, n, n)

# 构造满足互为倒数条件的张量
for idx in range(m):
    mat = test_tensor[idx]
    for i in range(n):
        for j in range(i, n):
            if i == j:
                mat[i, j] = 1.0  # 对角线元素必须为±1，此处取1
            else:
                mat[j, i] = 1.0 / mat[i, j]

# 验证结果
print(check_reciprocal_transpose(test_tensor))  # 输出 True

特殊情况处理 #

• 对角线元素：自动验证对角线元素是否满足A[i,i] = 1/A[i,i]（即值为±1），不满足则返回False
• 零元素：若存在0，其转置位置元素需为无穷大，但0 * inf = nan，np.allclose会判定为不满足条件，返回False，符合逻辑
• 精度适配：可通过调整np.allclose的rtol（相对误差）和atol（绝对误差）参数，适配不同场景的精度需求

内容的提问来源于stack exchange，提问作者EESHAN ANAND