向量和矩阵的点乘、叉乘

# 本科学习的全都还回去了-_-

一、向量

(1)点乘

向量点积, 𝑎⋅𝑏=𝑐 ,符号为 ⋅ ,要求向量长度相同,是两个向量之间的点乘运算,结果是一个标量。又称:点乘、数量积、标量积、scalar product、projection product等。

a · b = a₁b₁ + a₂b₂ + ... + aᵢbᵢ

在Python中,可以使用NumPy库来计算向量的点乘:

示例代码


	import numpy as np 

	
	# 定义两个向量 

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

	b = np.array([4, 5, 6]) 


	# 计算点乘 

	dot_product = np.dot(a, b) 

	print("点乘结果:", dot_product)

 

(2)叉乘

与向量点乘不同,叉乘仅适用于三维向量,向量叉乘的运算结果是一个向量而不是一个标量。两个向量叉乘所得向量与这两个向量垂直,如下图所示。

示例代码:
import numpy as np 


# 定义两个三维向量 
a = np.array([1, 2, 3]) 
b = np.array([4, 5, 6]) 


# 计算叉乘(注意:NumPy的cross函数仅适用于三维向量) 
cross_product = np.cross(a, b) 
print("叉乘结果:", cross_product)

 

二、矩阵

(1)点乘

矩阵的点乘(也称为元素乘法或哈达玛乘积)是两个相同大小矩阵之间的一种运算,其结果是一个与这两个矩阵大小相同的新矩阵,其中每个元素都是原矩阵对应位置元素的乘积

ps: 向量可以看作是一个列矩阵或行矩阵,

实例代码:

A = np.array([[1],[2]])
B = np.array([[1,2,4],[1,4,5]])
C = np.array([[1,2,3],[4,5,6]])
 
X = A*B
array([[ 1,  2,  4],
       [ 2,  8, 10]])
 
X == np.multiply(A,B)
array([[ True,  True,  True],
       [ True,  True,  True]])
 
Y = B*C
array([[ 1,  4, 12],
       [ 4, 20, 30]])
Y == np.multiply(B,C)
array([[ True,  True,  True],
       [ True,  True,  True]])

(2)叉乘

矩阵乘法是两个矩阵之间的一种运算,其结果是一个新矩阵。对于矩阵A(m×n)和矩阵B(n×p),只有当A的列数等于B的行数时,才能进行乘法运算,结果矩阵C的大小为m×p

实例代码:

A = np.array([[1,2],[3,4],[1,5]])
B = np.array([[1,2],[2,1]])
 
A@B
array([[ 5,  4],
       [11, 10],
       [11,  7]])
 
A@B  == np.dot(A,B)
array([[ True,  True],
       [ True,  True],
       [ True,  True]])

  • 4
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值