如何基于含参数t的2D矩阵生成3D数组并批量计算矩阵2范数？

给定含参数t的二维矩阵：

M = np.array([[0.5+t, 1, 1],
              [0.5, 0.5, t],
              [0.5, 1-t, 0.5]])

要针对多个t值计算矩阵的2范数，完全可以利用numpy的广播机制和向量化操作替代循环，具体实现如下：

方法一：构造3D矩阵并批量计算 #

通过将t向量扩展为三维形状，与常数数组广播生成包含所有t对应矩阵的3D数组，再一次性计算所有矩阵的范数：

import numpy as np

# 生成t的取值数组
t_vec = np.linspace(0, 1, num=100)
# 将t扩展为(100,1,1)的三维数组，用于广播运算
t_3d = t_vec[:, np.newaxis, np.newaxis]

# 构造3D矩阵，每个切片对应一个t值的M矩阵
M_3d = np.array([
    [0.5 + t_3d, np.ones_like(t_3d), np.ones_like(t_3d)],
    [0.5 * np.ones_like(t_3d), 0.5 * np.ones_like(t_3d), t_3d],
    [0.5 * np.ones_like(t_3d), np.ones_like(t_3d) - t_3d, 0.5 * np.ones_like(t_3d)]
])
# 调整维度顺序为(样本数, 行, 列)，方便后续范数计算
M_3d = M_3d.transpose(2, 0, 1)

# 批量计算每个矩阵的2范数，axis=(1,2)指定对每个(3,3)的切片计算
norm = np.linalg.norm(M_3d, axis=(1,2))

方法二：直接赋值构造3D矩阵（更直观） #

如果觉得广播构造的写法不够直观，可以直接给3D数组的对应位置赋值，同样利用numpy的广播特性：

import numpy as np

t_vec = np.linspace(0, 1, num=100)
# 初始化(100,3,3)的3D数组
M_3d = np.zeros((len(t_vec), 3, 3))

# 逐个位置赋值对应表达式
M_3d[:, 0, 0] = 0.5 + t_vec
M_3d[:, 0, 1] = 1
M_3d[:, 0, 2] = 1
M_3d[:, 1, 0] = 0.5
M_3d[:, 1, 1] = 0.5
M_3d[:, 1, 2] = t_vec
M_3d[:, 2, 0] = 0.5
M_3d[:, 2, 1] = 1 - t_vec
M_3d[:, 2, 2] = 0.5

# 批量计算范数
norm = np.linalg.norm(M_3d, axis=(1,2))

优势说明 #

这种向量化操作完全避免了Python循环，利用numpy的底层C优化实现计算，当t的取值数量很大时，效率会远高于循环实现。

内容的提问来源于stack exchange，提问作者Tamames