np.dot np.multiply 和*在np.array np.mat 的不同结果

import numpy as np

 观察以下两个输出语句结果的不同：

import numpy as np
 
a1 = np.array([[1, 2], [3, 4]])
c1 = np.array([[5,6],[7,8]])
 
b1 = np.mat([[1, 2], [3, 4]])
d1 = np.mat([[5,6],[7,8]])
 
print("a1乘c1的结果：",a1*c1)
print("b1乘d1的结果：",b1*d1)
输出结果会有不同，分别为：
a1乘c1的结果： [[ 5 12]
 [21 32]]
b1乘d1的结果： [[19 22]
 [43 50]]
于是我们可以得知：array()函数的乘法是矩阵元素所对应位置的两个数进行相乘！而mat()函数是遵循矩阵乘法规则，所以一定要谨慎使用这两个函数。
不过，无论用array()函数还是mat()函数，若让他们都遵循矩阵乘法的规则，可以对此二阶矩阵应用dot()函数，看下面计算：

print(dot(a1,c1))
print(dot(b1,d1))
输出结果均为：
[[19 22]
 [43 50]]
[[19 22]
 [43 50]]

 

import numpy as np
a1 = np.array([[1,2], [3,4]])
c1 = np.array([[5,6],[7,8]])
b1 = np.mat([[1,2], [3,4]])
d1 = np.mat([[5,6],[7,8]])
print(np.multiply(a1,c1))
print(np.multiply(b1,d1))

[[ 5 12]
 [21 32]]

[[ 5 12]
 [21 32]]

如果我们要算一个矩阵的平方（即两个相同矩阵相乘）。把输出函数变一下，观察一下结果的不同：
print("a1的平方",a1**2)
print("b1的平方",b1**2)
输出结果为：
a1的平方 [[ 1  4]
 [ 9 16]]
b1的平方 [[ 7 10]
 [15 22]]
结论用array()函数求的平方是对应位置之积形成的矩阵。用mat()函数求的平方实际上是遵循矩阵计算得出来的（注意：此时的a1、b1矩阵均是2X2的，遵循矩阵乘法计算，如果换成2X3的矩阵就不可以了，这点应注意）。

总结一下：array()函数的相乘中：*代表点乘（对应元素相乘），np.dot()代表矩阵乘积  np.multiply()代表对应元素点乘

mat()函数的乘法中：*代表矩阵乘，np.dot()矩阵乘法，np.multiply()代表对应元素点乘

对于生成的矩阵来说：

import numpy as np

x = np.mat([2,3])
y=np.mat([1,4])
print (np.dot(x,y)）维度合适就是实现矩阵乘法