介绍元素级乘法
m =, np.array ([[1, 2, 3], [4、5、6]])
米
#,显示以下结果:
#,阵列([[1,2,3]。
(4 #,,,,5日,6]])
时间=n m 0.25 *,
n
#,显示以下结果:
#,阵列([[,,0.25,0.5,,0.75],
#,,(,1只,1.25,,1.5,]])
m *, n
#,显示以下结果:
#,阵列([[1只,0.25,,2.25],
#,,(,4只,6.25,9只]])
np.multiply (m, n), #,相当于,m *, n
#,显示以下结果:
#,阵列([[1只,0.25,,2.25],
#,,(,4只,6.25,9只]]) 矩阵乘积
a =, np.array ([[1、2、3、4], [5、6、7、8]])
一个
#,显示以下结果:
#,阵列([[1,,2,,3,,4],
#,,(5,6,7,8]])
a.shape
#,显示以下结果:
#,(2,4)
时间=b np.array ([[1, 2, 3], [4、5、6], [7 8 9], [10 11 12]])
b
#,显示以下结果:
#,阵列([[,1,2,3]。
#,,(,4,5,6),
#,,[,7,8,9),
(#,,10,11,12]])
b.shape
#,显示以下结果:
#,(4),3)
时间=c np.matmul (a, b)
c
#,显示以下结果:
#,阵列([[,70,80,90]。
#,,(158,,184,,210]])
c.shape
#,显示以下结果:
#,(2,3) np.matmul (b, a)
#,显示以下错误:
#,ValueError: shapes (4,3),以及(2、4),not 一致:,3,(dim 1), !=, 2, (dim 0) NumPy的点函数
a =, np.array ([[1、2], [3,4]])
一个
#,显示以下结果:
#,数组([[1,2],
#,,[3,4]])
np.dot(一个)
#,显示以下结果:
#,阵列([[7,大敌;10],
(15 #,,,,22]])
a.dot (a), #,你还要叫你可以直接对,“ndarray”,调用,“点”,
#,显示以下结果:
#,阵列([[7,大敌;10],
(15 #,,,,22]])
np.matmul(一个)
#,阵列([[7,大敌;10],
(15 #,,,,22]])
这篇文章主要介绍NumPy如何实现矩阵乘法,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!
NumPy支持的几类矩阵乘法也很重要。
元素级乘法
你已看过了一些元素级乘法。你可以使用乘法函数或*运算符来实现。回顾一下,它看起来是这样的:
矩阵乘积
要获得矩阵乘积,你可以使用NumPy的matmul函数。
如果你有兼容的形状,那就像这样简单:
如果你的矩阵具有不兼容的形状,则会出现以下错误:
NumPy的点函数
有时候,在你以为要用matmul函数的地方,你可能会看到NumPy的点函数。事实证明,如果矩阵是二维的,那么点和matmul函数的结果是相同的。
所以这两个结果是等价的:
虽然这两个函数对于二维数据返回相同的结果,但在用于其他数据形状时,你应该谨慎选择。你可以在matmul和点文档中详细了解它们的差异,并找到其他NumPy函数的链接。
