- URL: https://dynomight.net/numpy/
- Added At: 2025-05-16 14:23:16
文章指出，NumPy虽简化基础数组运算，但其广播机制与维度操作规则在处理高维复杂计算（如多矩阵批量求解、多头自注意力机制）时存在设计缺陷，导致开发者需依赖晦涩的维度扩展、einsum或np.tensordot等非直观方式，易引发错误且难以维护。由于缺乏显式维度控制语法，函数抽象困难，代码可读性与灵活性受阻。作者计划开发新方案以保留计算能力并修正核心设计缺陷。
文章指出NumPy虽然让基础数组运算变得简洁优雅，但在处理复杂多维操作时存在明显缺陷。当需要对100个5×5矩阵进行批量求解时，必须通过试错来排列维度参数，而非直接使用循环。作者认为其核心问题源于广播机制的设计：虽然广播能简化小规模计算，但导致更高维运算必须通过扭曲的维度拓展（如使用None插入轴）或不直观的函数（例如np.tensordot）实现，且难以保证代码正确性。例如，计算Dkn = (∑lm Aklm Bln Ckm)/(LM) 需要进行多层记号操作，容易引入错误。索引规则更被批评为晦涩难懂，如示例中对10×20×30×40数组的多维索引操作，不同AI系统均出现理解偏差，说明维度逻辑在NumPy中缺乏清晰表达。
数组运算函数的设计进一步加剧问题：np.linalg.solve等函数无法通过添加参数或重组维度灵活适配不同输入结构，开发者需要混合使用转置、einsum及广播规则来实现本可通过循环解决的任务。以多头自注意力机制为例，向量化实现需要编写复杂且不直观的einsum表达式及维度重塑，而使用循环的代码虽效率低但更易读。
作者归结问题根源在于NumPy抛弃数组索引的显式表达，转而依靠广播的隐式规则导致的死板设计，使得函数抽象变得困难。尽管einsum部分弥补了抗索引法的不足，却无法应用于所有函数（如np.linalg.einsolve并不存在）。最终指出，缺乏对维度操作的显式语言支持是NumPy的致命缺陷，其最终带来的代码混乱已反噬早期设计优势。文章结尾透露作者将开发新方案以解决这些问题，强调保留NumPy的运算能力但修正核心设计中的缺陷。