作者 | 永远在你身后
转载自知乎
【导读】einsum 全称 Einstein summation convention（爱因斯坦求和约定），又称为爱因斯坦标记法，是爱因斯坦 1916 年提出的一种标记约定，本文主要介绍了einsum 的应用。
简单的说，应用 einsum 就是省去求和式中的求和符号，例如下面的公式：
以 einsum 的写法就是：
后者将 符号给省去了，显得更加简洁；再比如：
上面两个栗子换成 einsum 的写法就变成：
在实现一些算法时，数学表达式已经求出来了，需要将之转换为代码实现，简单的一些还好，有时碰到例如矩阵转置、矩阵乘法、求迹、张量乘法、数组求和等等，若是以分别以 transopse、sum、trace、tensordot 等函数实现的话，不但复杂，还容易出错。
现在，这些问题你统统可以一个函数搞定，没错，就是 einsum，einsum 函数就是根据上面的标记法实现的一种函数，可以根据给定的表达式进行运算，可以替代但不限于以下函数：
矩阵求迹：trace求矩阵对角线：diag张量（沿轴）求和：sum张量转置：transopose矩阵乘法：dot张量乘法：tensordot向量内积：inner外积：outer
该函数在 numpy、tensorflow、pytorch 上都有实现，用法基本一样，定义如下：
equation 是字符串的表达式，operands 是操作数，是一个元组参数，并不是只能有两个，所以只要是能够通过 einsum 标记法表示的乘法求和公式，都可以用一个 einsum 解决，下面以 numpy 举几个栗子：
# 沿轴计算张量元素之和：
c = a.sum(axis=0)上面的以 sum 函数的实现代码，设 为三维张量，上面代码用公式来表达的话就是：
换成 einsum 标记法：
然后根据此式使用 einsum 函数实现等价功能：
c = np.einsum('ijk->jk', a)
# 作用与 c = a.sum(axis=0) 一样更进一步的，如果 不止是三维，可以将下标
换成省略号，以表示剩下的所有维度：
这种写法 pytorch 与 tensorflow 同样支持，如果不是很理解的话，可以查看其对应的公式：
# 矩阵乘法
c = np.dot(a, b)矩阵乘法的公式为：
然后是 einsum 对应的实现：
最后再举一个张量乘法栗子：
# 张量乘法
c = np.tensordot(a, b, ([0, 1], [0, 1]))如果 是三维的，对应的公式为：
对应的 einsum 实现：
下面以 numpy 做一下测试，对比 einsum 与各种函数的速度，这里使用 python 内建的 timeit 模块进行时间测试，先测试（四维）两张量相乘然后求所有元素之和，对应的公式为：
然后是测试代码：
from timeit import Timer
import numpy as np
# 定义两个全局变量
a = np.random.rand(64, 128, 128, 64)
b = np.random.rand(64, 128, 128, 64)
# 定义使用einsum与sum的函数
def einsum():
temp = np.einsum('ijkl,ijkl->', a, b)
def npsum():
temp = (a * b).sum()
# 打印运行时间
print("einsum cost:", Timer("einsum()", "from __main__ import einsum").timeit(20))
print("npsum cost:", Timer("npsum()", "from __main__ import npsum").timeit(20))上面 Timer 是 timeit 模块内的一个类
Timer(stmt, setup).timeit(number)
# stmt: 要测试的语句
# setup: 传入stmt的运行环境，比如stmt中要导入的模块等。
# 可以写一行语句，也可以写多行语句，写多行语句时要用分号；隔开语句
# number: 执行次数将两个函数各执行 20 遍，最后的结果为，单位为秒：
einsum cost: 1.5560735
npsum cost: 8.0874927可以看到，einsum 比 sum 快了几乎一个量级，接下来测试单个张量求和：
将上面的代码改一下：
def einsum():
temp = np.einsum('ijkl->', a)
def npsum():
temp = a.sum()相应的运行时间为：
einsum cost: 3.2716003
npsum cost: 6.7865246还是 einsum 更快，所以哪怕是单个张量求和，numpy 上也可以用 einsum 替代，同样，求均值（mean）、方差（var）、标准差（std）也是一样。
接下来测试 einsum 与 dot 函数，首先列一下矩阵乘法的公式以以及 einsum表达式：
然后是测试代码：
a = np.random.rand(2024, 2024)
b = np.random.rand(2024, 2024)
# einsum与dot比较
def einsum():
res = np.einsum('ik,kj->ij', a, b)
def dot():
res = np.dot(a, b)
print("einsum cost:", Timer("einsum()", "from __main__ import einsum").timeit(20))
print("dot cost:", Timer("dot()", "from __main__ import dot").timeit(20))
# einsum cost: 80.2403851
# dot cost: 2.0842243这就很尴尬了，比 dot 慢了 40 倍（并且差距随着矩阵规模的平方增加），这还怎么打天下？不过在 numpy 的实现里，einsum 是可以进行优化的，去掉不必要的中间结果，减少不必要的转置、变形等等，可以提升很大的性能，将 einsum 的实现改一下：
def einsum():
res = np.einsum('ik,kj->ij', a, b, optimize=True)加了一个参数 optimize=True，官方文档上该参数是可选参数，接受4个值：
optimize 默认为 False，如果设为 True，这默认选择‘greedy（贪心）’方式，再看看速度：
einsum cost: 2.0330937
dot cost: 1.9866218可以看到，通过优化，虽然还是稍慢一些，但是 einsum 的速度与 dot 达到了一个量级；不过 numpy 官方手册上有个 einsum_path，说是可以进一步提升速度，但是我在自己电脑上（i7-9750H）测试效果并不稳定，这里简单的介绍一下该函数的用法为：
path = np.einsum_path('ik,kj->ij', a, b)[0]
np.einsum('ik,kj->ij', a, b, optimize=path)einsum_path 返回一个 einsum 可使用的优化路径列表，一般使用第一个优化路径；另外，optimize 及 einsum_path 函数只有 numpy 实现了， tensorflow 和 pytorch 上至少现在没有。
最后，再测试 einsum 与另一个常用的函数 tensordot，首先定义两个四维张量的及 tensordot 函数：
a = np.random.rand(128, 128, 64, 64)
b = np.random.rand(128, 128, 64, 64)
def tensordot():
res = np.tensordot(a, b, ([0, 1], [0, 1]))该实现对应的公式为：
所以 einsum 函数的实现为：
def einsum():
res = np.einsum('ijkl,ijmn->klmn', a, b, optimize=True)tensordot 也是链接到 BLAS 实现的函数，所以不加 optimize 肯定比不了，最后结果为：
print("einsum cost:", Timer("einsum()", "from __main__ import einsum").timeit(1))
print("tensordot cost:", Timer("tensordot()", "from __main__ import tensordot").timeit(1))
# einsum cost: 4.2361331
# tensordot cost: 4.2580409测试了 10 多次，基本上速度一样，einsum 表现好一点的；不过说是一个函数打天下，肯定是做不到的，还有一些数组的分割、合并、指数、对数等功能没法实现，需要使用别的函数，其他的基本都可以用 einsum 来实现，简单而又高效。
经过进一步测试发现，优化反而出现速度降低的情况，例如：
def einsum():
temp = einsum('...->', a, optimize=True)
def test():
temp = a.sum()上面两中对数组求和的方法，当a是一维向量时，或者 a 是多维但是规模很小是，优化的 einsum 反而更慢，但是去掉 optimize 参数后表现比内置的 sum函数稍好，我认为优化是有一个固定的成本。
还有一个坑需要注意的是，有些情况的省略号不加 optimize 会报错，就拿上面的栗子而言：
np.einsum('...->', a, optimize=True) # 正常运行
np.einsum('...->', a) # 报错很无奈，试了很多次，不加 optimize 就是会报错，但是并不是所有的省略号写法都需要加 optimize ，例如：
使用省略号实现上面两个公式并不需要加 optimize ，能够正常运行
np.einsum('i...->...', a) # 正常
np.einsum('...,...->...', a, b) # 正常但是如果碰到下面的公式：
上式表示将 a 除第一个维度之外，剩下的维度全部累加，这种实现就必须要加 optimize。
再举一个栗子：
c = (a * b).sum()
# 如果不知道a, b的维数，使用einsum实现上面的功能也必须要加optimize
c = einsum('...,...->', a, b, optimize=True)总结一下，在计算量很小时，优化因为有一定的成本，所以速度会慢一些；但是，既然计算量小，慢一点又怎样呢，而且使用优化之后，可以更加肆意的使用省略号写表达式，变量的维数也不用考虑了，所以建议无脑使用优化。
原文链接：
https://zhuanlan.zhihu.com/p/71639781
(*本文为AI科技大本营转载文章，转载请联系作者)
◆
福利时刻
◆
距离大会参与通道关闭还有 1 天，扫描下方二维码或点击阅读原文，马上参与！（学生票特享 598 元，团购票每人立减优惠，倒计时 1 天！）
推荐阅读
你点的每个“在看”，我都认真当成了喜欢