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)。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(jié)果：
# array([[1, 2, 3],
# [4, 5, 6]])
n = m * 0.25
n
# 顯示以下結(jié)果：
# array([[ 0.25, 0.5 , 0.75],
# [ 1. , 1.25, 1.5 ]])
m * n
# 顯示以下結(jié)果：
# array([[ 0.25, 1. , 2.25],
# [ 4. , 6.25, 9. ]])
np.multiply(m, n) # 相當(dāng)于 m * n
# 顯示以下結(jié)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(jié)果：
# array([[1, 2, 3, 4],
# [5, 6, 7, 8]])
a.shape
# 顯示以下結(jié)果：
# (2, 4)
b = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
b
# 顯示以下結(jié)果：
# array([[ 1, 2, 3],
# [ 4, 5, 6],
# [ 7, 8, 9],
# [10, 11, 12]])
b.shape
# 顯示以下結(jié)果：
# (4, 3)
c = np.matmul(a, b)
c
# 顯示以下結(jié)果：
# array([[ 70, 80, 90],
# [158, 184, 210]])
c.shape
# 顯示以下結(jié)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(jié)果是相同的。
所以這兩個結(jié)果是等價的：
a = np.array([[1,2],[3,4]])
a
# 顯示以下結(jié)果：
# array([[1, 2],
# [3, 4]])
np.dot(a,a)
# 顯示以下結(jié)果：
# array([[ 7, 10],
# [15, 22]])
a.dot(a) # you can call你可以直接對 `ndarray` 調(diào)用 `dot`
# 顯示以下結(jié)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(jié)果，但在用于其他數(shù)據(jù)形狀時，你應(yīng)該謹(jǐn)慎選擇。你可以在 matmul和 dot 文檔中詳細(xì)了解它們的差異，并找到其他 NumPy 函數(shù)的鏈接。
到此這篇關(guān)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(guān)NumPy 矩陣乘法內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)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:- Numpy實現(xiàn)矩陣運算及線性代數(shù)應(yīng)用
- numpy數(shù)組合并和矩陣拼接的實現(xiàn)
- numpy和tensorflow中的各種乘法(點乘和矩陣乘)
- 從Pytorch模型pth文件中讀取參數(shù)成numpy矩陣的操作
- Python numpy大矩陣運算內(nèi)存不足如何解決
- 使用numpy實現(xiàn)矩陣的翻轉(zhuǎn)(flip)與旋轉(zhuǎn)
