jax.numpy.linalg.multi_dot#

jax.numpy.linalg.multi_dot(arrays, *, precision=None)[来源]#

高效地计算数组序列之间的矩阵乘积。

JAX 实现的 numpy.linalg.multi_dot()。

JAX 内部使用 opt_einsum 库来计算最高效的运算顺序。

参数:

  • arrays (Sequence[ArrayLike]) – 数组序列。除了第一个和最后一个可以是一维之外，所有都必须是二维的。

  • precision (lax.PrecisionLike) – 要么 None (默认)，这意味着后端的默认精度，要么是 Precision 枚举值 (Precision.DEFAULT, Precision.HIGH 或 Precision.HIGHEST)。

返回:

一个表示 reduce(jnp.matmul, arrays) 的等价物，但以最佳顺序评估的数组。

返回类型:

数组

存在此函数是因为计算 matmul 操作序列的成本可能会因评估操作的顺序而大相径庭。 对于单个 matmul，计算矩阵乘积所需的浮点运算 (flops) 的数量可以这样近似

>>> def approx_flops(x, y):
...   # for 2D x and y, with x.shape[1] == y.shape[0]
...   return 2 * x.shape[0] * x.shape[1] * y.shape[1]

假设我们有三个矩阵，我们想按顺序相乘

>>> key1, key2, key3 = jax.random.split(jax.random.key(0), 3)
>>> x = jax.random.normal(key1, shape=(200, 5))
>>> y = jax.random.normal(key2, shape=(5, 100))
>>> z = jax.random.normal(key3, shape=(100, 10))

由于矩阵乘积的结合律，我们可以按两种顺序评估乘积 x @ y @ z，并且两者都产生等效的输出，直到浮点精度

>>> result1 = (x @ y) @ z
>>> result2 = x @ (y @ z)
>>> jnp.allclose(result1, result2, atol=1E-4)
Array(True, dtype=bool)

但是这些的计算成本差异很大

>>> print("(x @ y) @ z flops:", approx_flops(x, y) + approx_flops(x @ y, z))
(x @ y) @ z flops: 600000
>>> print("x @ (y @ z) flops:", approx_flops(y, z) + approx_flops(x, y @ z))
x @ (y @ z) flops: 30000

就估计的 flops 而言，第二种方法效率高约 20 倍！

multi_dot 是一个函数，它将自动为此类问题选择最快的计算路径

>>> result3 = jnp.linalg.multi_dot([x, y, z])
>>> jnp.allclose(result1, result3, atol=1E-4)
Array(True, dtype=bool)

我们可以使用 JAX 的 提前降低和编译 工具来估计每种方法的总 flops，并确认 multi_dot 正在选择更有效的选项

>>> jax.jit(lambda x, y, z: (x @ y) @ z).lower(x, y, z).cost_analysis()['flops']
600000.0
>>> jax.jit(lambda x, y, z: x @ (y @ z)).lower(x, y, z).cost_analysis()['flops']
30000.0
>>> jax.jit(jnp.linalg.multi_dot).lower([x, y, z]).cost_analysis()['flops']
30000.0