NumPy 矩陣乘法的實現(xiàn)示例

更新時間：2021年03月21日 11:00:57 作者：愛抓貓的狗

這篇文章主要介紹了NumPy 矩陣乘法的實現(xiàn)示例，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

NumPy 支持的幾類矩陣乘法也很重要。

元素級乘法

你已看過了一些元素級乘法。你可以使用 multiply 函數(shù)或 * 運算符來實現(xiàn)?；仡櫼幌?，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) # 相當于 m * n
# 顯示以下結果：
# array([[ 0.25, 1. , 2.25],
#  [ 4. , 6.25, 9. ]])

矩陣乘積

要獲得矩陣乘積，你可以使用 NumPy 的 matmul 函數(shù)。

如果你有兼容的形狀，那就像這樣簡單：

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兼容的形狀，則會出現(xiàn)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)

NumPy 的 dot 函數(shù)

有時候，在你以為要用 matmul 函數(shù)的地方，你可能會看到 NumPy 的 dot 函數(shù)。事實證明，如果矩陣是二維的，那么 dot 和 matmul 函數(shù)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` 調用 `dot` 
# 顯示以下結果：
# array([[ 7, 10],
#  [15, 22]])

np.matmul(a,a)
# array([[ 7, 10],
#  [15, 22]])

雖然這兩個函數(shù)對于二維數(shù)據(jù)返回相同的結果，但在用于其他數(shù)據(jù)形狀時，你應該謹慎選擇。你可以在 matmul和 dot 文檔中詳細了解它們的差異，并找到其他 NumPy 函數(shù)的鏈接。

到此這篇關于NumPy 矩陣乘法的實現(xiàn)示例的文章就介紹到這了,更多相關NumPy 矩陣乘法內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: