定义m×n\mathit{m}\times\mathit{n}m×n矩阵A=[a1,⋯ ,an]\boldsymbol{A}=\left[\boldsymbol{a}_{1},\cdots,\boldsymbol{a}_{\mathit{n}}\right]A=[a1​,⋯,an​]和p×q\mathit{p}\times\mathit{q}p×q矩阵B\boldsymbol{B}B的Kronecker\mathit{Kronecker}Kronecker积记作A⊗B\boldsymbol{A}\otimes\boldsymbol{B}A⊗B，是一个mp×nq\mathit{mp}\times

1普通乘积（matmulproduct）        若A\pmb{A}AA是m×nm\timesnm×n矩阵，B\pmb{B}BB是n×pn\timespn×p矩阵，B\pmb{B}BB的列是b1,⋯ ,bp\pmb{b_1},\cdots,\pmb{b_p}b1​b1​,⋯,bp​bp​，则乘积AB\pmb{AB}ABAB是m×pm\timespm×p矩阵，它的各列是Ab1,⋯ ,Abp\pmb{Ab_1},\cdots,\pmb{Ab_p}Ab1​Ab1​,⋯,Abp​Abp​，即AB=A[b1b2⋯bp]=[Ab1Ab2⋯Abp]\pmb{AB}=\pmb{A}[\pmb{b_1}\

我正在研究一个Python项目并使用Numpy。我经常必须通过身份矩阵计算矩阵的kronecker产品。这些是我的代码中非常大的瓶颈，因此我想优化它们。我必须采用两种产品。第一个是：np.kron(np.eye(N),A)通过简单地使用，这个非常容易优化scipy.linalg.block_diag。该产品等同于：la.block_diag(*[A]*N)大约快10倍。但是，我不确定如何优化第二种产品：np.kron(A,np.eye(N))我可以使用类似的技巧吗？看答案一种方法是初始化一个输出数组4D然后从中分配值A。这样的作业将播放值，这是我们在Numpy中获得效率的地方。因此，解决方案就

我正在从事我的第一个大型Python项目。我有一个函数，其中包含以下代码:#EXPANDTHEEXPECTEDVALUETOAPPLYTOALLSTATES,#THENUPDATEfullFnMatEV_subset_expand=np.kron(EV_subset,np.ones((nrows,1)))fullFnMat[key]=staticMat[key]+EV_subset_expand在我的代码分析器中，这个kronecker产品似乎占用了大量时间。Functionwascalledby...ncallstottimecumtime/home/stevejb/myhg/dps