NumPy 矩陣乘法

2021-08-20 05:16:15 字數 2099 閱讀 8896

numpy 支援的幾類矩陣乘法也很重要。

你已看過了一些元素級乘法。你可以使用multiply函式或*運算子來實現。回顧一下，它看起來是這樣的：

m = np.array([[1,2,3],[4,5,6]])


m# 顯示以下結果：


# array([[1, 2, 3],


# [4, 5, 6]])


n = m * 0.25


n# 顯示以下結果：


# array([[ 0.25, 0.5 , 0.75],


# [ 1. , 1.25, 1.5 ]])


m * n


# 顯示以下結果：


# array([[ 0.25, 1. , 2.25],


# [ 4. , 6.25, 9. ]])


np.multiply(m, n) # 相當於 m * n


# 顯示以下結果：


# array([[ 0.25, 1. , 2.25],


# [ 4. , 6.25, 9. ]])
要獲得矩陣乘積，你可以使用 numpy 的matmul函式。

a = np.array([[1,2,3,4],[5,6,7,8]])


a# 顯示以下結果：


# array([[1, 2, 3, 4],


# [5, 6, 7, 8]])


a.shape


# 顯示以下結果：


# (2, 4)


b = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])


b# 顯示以下結果：


# array([[ 1, 2, 3],


# [ 4, 5, 6],


# [ 7, 8, 9],


# [10, 11, 12]])


b.shape


# 顯示以下結果：


# (4, 3)


c = np.matmul(a, b)


c# 顯示以下結果：


# array([[ 70, 80, 90],


# [158, 184, 210]])


c.shape


# 顯示以下結果：


# (2, 3)
如果你的矩陣具有不相容的形狀，則會出現以下錯誤：

np.matmul(b, a)


# 顯示以下錯誤：


# valueerror: shapes (4,3) and (2,4) not aligned: 3 (dim 1) != 2 (dim 0)
有時候，在你以為要用matmul函式的地方，你可能會看到 numpy 的dot函式。事實證明，如果矩陣是二維的，那麼dot和matmul函式的結果是相同的。

所以這兩個結果是等價的：

a = np.array([[1,2],[3,4]])


a# 顯示以下結果：


# array([[1, 2],


# [3, 4]])


np.dot(a,a)


# 顯示以下結果：


# array([[ 7, 10],


# [15, 22]])


a.dot(a) # you can call你可以直接對 `ndarray` 呼叫 `dot` 


# 顯示以下結果：


# array([[ 7, 10],


# [15, 22]])


np.matmul(a,a)


# array([[ 7, 10],


# [15, 22]])
雖然這兩個函式對於二維資料返回相同的結果，但在用於其他資料形狀時，你應該謹慎選擇。你可以在matmul和dot文件中詳細了解它們的差異，並找到其他 numpy 函式的鏈結。

Numpy中的矩陣乘法

對於numpy.array multiply 意思是對應位置的元素相乘 如果希望對array物件進行嚴格的矩陣乘法，必須使用numpy.dot 或者numpy.matmul 函式，這兩者是等效的 對於matrix物件上情況是相反的，必須使用np.multiply 函式。因為 過載矩陣運算規則只限於m...

numpy 陣列 矩陣乘法運算

為了區分三種乘法運算的規則，具體分析如下 import numpy as np函式作用 陣列和矩陣對應位置相乘，輸出與相乘陣列 矩陣的大小一致 1.1陣列場景 a np.arange 1,5 reshape 2,2 aarray 1,2 3,4 b np.arange 0,4 reshape 2,2...

numpy 向量 矩陣的乘法

import numpy as np一維向量與一維向量 一維向量與一維向量 vec1 np.array 1 2,3 vec2 np.array 4 5,6 np.inner 對應位置的元素相乘相加求和 res inner1 np.inner vec1,vec2 32 對應位置的元素相乘 成為新矩陣該...