矩阵乘法的介绍

沐辰11

已于 2024-10-18 09:35:49 修改

阅读量2.7k

点赞数 44

文章标签：矩阵算法 python

于 2024-10-10 19:43:55 首次发布

本文链接：https://blog.csdn.net/2202_75335340/article/details/142828951

版权

一、定义

矩阵乘法是线性代数中的一个基本运算，它定义了两个矩阵之间如何相乘。给定两个矩阵A和B，如果A的列数等于B的行数，那么这两个矩阵就可以相乘。结果矩阵C的元素 $C_{ij}$ 由A的第i行和B的第 j列的对应元素的点积（内积）计算得出。

二、方法

在Python中，矩阵乘法可以通过以下几种方法实现：

1、x * y

（1）语法：x*y

（2）特点：当使用 * 运算符对数组进行乘法时，默认执行的是逐元素乘法（Hadamard product），即两个数组对应位置的元素相乘。而当 * 运算符用于 np.matrix 对象时，它执行的是矩阵乘法，这是一种线性代数中的乘法，遵循矩阵乘法的规则，即第一个数组的列数必须与第二个数组的行数相等。

（3）示例

import numpy as np

# 创建两个矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 元素对元素的乘法（Hadamard乘法）
C_hadamard = A * B

print("Hadamard乘法:\n", C_hadamard)

import numpy as np
x=np.matrix([[1, 2], [3, 4]])
y=np.matrix([[5, 6], [7, 8]])
result = x * y
print(result)

在NumPy中，np.matrix 和 np.array 是两种不同的数据结构，它们在内存中的存储方式和数学运算行为有所不同。np.matrix 是专门设计用来模拟MATLAB中矩阵的行为，而 np.array 是更通用的多维数组结构。当使用 * 运算符对数组进行乘法时，默认执行的是逐元素乘法（Hadamard product），即两个数组对应位置的元素相乘。而当 * 运算符用于 np.matrix 对象时，它执行的是矩阵乘法，这是一种线性代数中的乘法，遵循矩阵乘法的规则，即第一个数组的列数必须与第二个数组的行数相等。即上图输出第二个正确， * 运算符用于 np.matrix 对象才可输出正确结果。

2、使用 @ 运算符

（1）语法：x@y

（2）特点:从Python 3.5开始，@ 运算符被引入用于矩阵乘法,专门用于执行矩阵乘法操作。它支持二维数组（矩阵）和一维数组（向量）之间的乘法，并且可以处理高维数组的广播。在NumPy中，这个运算符等价于 numpy.matmul()。矩阵乘法的规则是，第一个矩阵的列数必须与第二个矩阵的行数相同。

（3）示例

import numpy as np

# 创建两个矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
# 使用 @ 运算符进行矩阵乘法
C_at = A @ B

print("使用@运算符:\n", C_at)

3、np.matmul(x, y)

（1）语法：np.matmul(x, y)

（2）特点：np.matmul(x, y)是专门用于矩阵乘法的函数，它支持对多维数组进行矩阵乘法，与 @ 运算符的功能相同，支持广播规则。

（3）示例

import numpy as np

# 创建两个矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
# 使用 np.matmul 函数进行矩阵乘法
C_matmul = np.matmul(A, B)

print("使用np.matmul函数:\n", C_matmul)

4、x.dot(y)

（1）语法：x.dot(y)

（2）适用数据类型: NumPy数组

（3）结果类型: NumPy数组

（4）特点：这是一个传统的NumPy函数，用于进行矩阵乘法。它的功能与 np.matmul() 类似，通常用于一维和二维数组的乘法。对于一维数组，x.dot(y) 返回的是内积，而对于二维数组，则返回矩阵乘法的结果。x.dot(y) 用于矩阵乘法时，需要确保 x 和 y 的维度是兼容的。对于矩阵乘法，如果 x 是一个 m x n 的矩阵，而 y 是一个 n x p 的矩阵，那么结果将是一个 m x p 的矩阵。

（5）示例

import numpy as np

# 创建两个矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
# 使用dot方法进行矩阵乘法
C_dot = A.dot(B)

print("使用dot方法:\n", C_dot)

三、相关代码及输出

import numpy as np

# 创建两个NumPy数组，它们可以用于矩阵乘法
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
# 创建两个NumPy矩阵对象，用于Hadamard乘积
x=np.matrix([[1, 2], [3, 4]])
y=np.matrix([[5, 6], [7, 8]])
# 当*运算符用于np.matrix对象时，它执行的是矩阵乘法
C_hadamard = x * y

print("Hadamard乘法:\n", C_hadamard)

# 使用 @ 运算符进行矩阵乘法
C_at = A @ B

print("使用@运算符:\n", C_at)

# 使用 np.matmul 函数进行矩阵乘法
C_matmul = np.matmul(A, B)

print("使用np.matmul函数:\n", C_matmul)

# 使用dot方法进行矩阵乘法
C_dot = A.dot(B)

print("使用dot方法:\n", C_dot)

（1）对于 * 运算符（Hadamard乘法）、@ 运算符、np.matmul 函数和 dot 方法，输出结果将是：