jax.numpy.vectorize

jax.numpy.vectorize(pyfunc, *, excluded=frozenset({}), signature=None)

定义一个带有广播机制的向量化函数。

vectorize() 是一个方便的包装器，用于定义具有广播机制的向量化函数，风格类似于 NumPy 的 广义通用函数。它允许定义自动在任何前导维度上重复的函数，而无需函数的实现担心如何处理更高维度的输入。

jax.numpy.vectorize() 具有与 numpy.vectorize 相同的接口，但它是自动批处理转换 (vmap()) 的语法糖，而不是 Python 循环。这应该效率高得多，但实现必须用作用于 JAX 数组的函数编写。

参数:

• pyfunc – 要向量化的函数。

• excluded – 可选的整数集合，表示该函数不会被向量化的位置参数。这些参数将直接传递给 pyfunc，不做修改。

• signature – 可选的广义通用函数签名，例如 (m,n),(n)->(m)，用于向量化的矩阵-向量乘法。如果提供，将使用（并期望返回）形状由相应核心维度大小给定的数组调用 pyfunc。默认情况下，假定 pyfunc 将标量数组作为输入和输出。

返回值:

给定函数的向量化版本。

示例

以下是一些如何使用 vectorize() 编写向量化线性代数例程的示例

>>> from functools import partial

>>> @partial(jnp.vectorize, signature='(k),(k)->(k)')
... def cross_product(a, b):
...   assert a.shape == b.shape and a.ndim == b.ndim == 1
...   return jnp.array([a[1] * b[2] - a[2] * b[1],
...                     a[2] * b[0] - a[0] * b[2],
...                     a[0] * b[1] - a[1] * b[0]])

>>> @partial(jnp.vectorize, signature='(n,m),(m)->(n)')
... def matrix_vector_product(matrix, vector):
...   assert matrix.ndim == 2 and matrix.shape[1:] == vector.shape
...   return matrix @ vector

这些函数仅编写为处理 1D 或 2D 数组（assert 语句永远不会被违反），但通过 vectorize，它们支持具有 NumPy 样式广播的任意维度输入，例如，

>>> cross_product(jnp.ones(3), jnp.ones(3)).shape
(3,)
>>> cross_product(jnp.ones((2, 3)), jnp.ones(3)).shape
(2, 3)
>>> cross_product(jnp.ones((1, 2, 3)), jnp.ones((2, 1, 3))).shape
(2, 2, 3)
>>> matrix_vector_product(jnp.ones(3), jnp.ones(3))  
Traceback (most recent call last):
ValueError: input with shape (3,) does not have enough dimensions for all
core dimensions ('n', 'k') on vectorized function with excluded=frozenset()
and signature='(n,k),(k)->(k)'
>>> matrix_vector_product(jnp.ones((2, 3)), jnp.ones(3)).shape
(2,)
>>> matrix_vector_product(jnp.ones((2, 3)), jnp.ones((4, 3))).shape
(4, 2)

请注意，这与 jnp.matmul 具有不同的语义

>>> jnp.matmul(jnp.ones((2, 3)), jnp.ones((4, 3)))  
Traceback (most recent call last):
TypeError: dot_general requires contracting dimensions to have the same shape, got [3] and [4].