如何在形状各异的ndarray列表上使用numpy.amax()计算全局最大值？

针对你的需求，其实不需要依赖数组间的维度匹配关系，我们可以用numpy的矢量化操作来高效获取所有数组的全局最大值，避免显式for循环。这里提供两种实用的方案：

方案1：先拉平所有数组再取最大值 #

把每个数组都拉平成一维数组，然后拼接成一个大的一维数组，最后取最大值。这种方法直观易懂，适合所有形状的数组：

import numpy as np

# 假设你的数组列表是my_list
my_list = [np.random.rand(3072, 128), np.random.rand(128), np.random.rand(128, 64)]

# 拉平每个数组并计算全局最大值
global_max = np.concatenate([arr.ravel() for arr in my_list]).max()

或者更简洁的写法，直接将拉平后的数组传入np.max：

global_max = np.max([arr.ravel() for arr in my_list])

方案2：先取每个数组的局部最大值，再取全局最大值 #

如果你的数组非常大，这种方法效率更高——因为不需要拼接所有元素，只需要先计算每个数组自身的最大值，再从这些局部最大值里找最大的：

# 先获取每个数组的最大值，再求这些值的最大值
global_max = np.max([arr.max() for arr in my_list])
# 或者用numpy的reduce方法
global_max = np.maximum.reduce([arr.max() for arr in my_list])

补充说明 #

虽然这里用到了列表推导式，但内部的ravel()、max()都是numpy的矢量化操作，比纯Python的显式for循环（比如逐个遍历元素）要快得多，充分利用了numpy的底层优化。

另外你提到的数组维度匹配（前一个数组的最后一维和后一个的第一维一致），在找全局最大值这个场景下其实用不到，但如果是做矩阵乘法之类的操作，这个特性会很有用~

内容的提问来源于stack exchange，提问作者user3389669