numpy乘法运算

reference

Numpy数据的操作 *,dot,multiply的区别

总结

这里只谈论ndarray的数据类型的计算，如果是matrix的数据类型，那么mat自带一些运算

dot(a,b)

进行矩阵乘法

没想到吧，这个看起来这么像内积，实际上是矩阵乘法，而multiply那么像矩阵乘法，实际上是逐元素相乘

• a或b是 0-D (标量), 等价于 multiply，推荐使用 numpy.multiply(a, b)或 a * b
• 如果 a和 b是 2-D arrays, 作用是矩阵的乘积， a和 b的维数要满足矩阵乘积维数要求，此时推荐使用 matmul或 a @ b。
• a是 N-D array 且 b是 1-D array， 作用是在a和 b的最后一个轴上进行sum product运算。

  >>> a = array([[[ 1.,  2.,  3.,  4.],
            [ 5.,  6.,  7.,  8.],
            [ 9., 10., 11., 12.]],
  
           [[ 1.,  2.,  3.,  4.],
            [ 5.,  6.,  7.,  8.],
            [ 9., 10., 11., 12.]]])
  >>> b = np.array([1,2,3,4])
  >>>np.dot(a, b)
  
  array([[ 30.,  70., 110.],
         [ 30.,  70., 110.]])
  

  可以看到，其他的情况下，都有更推荐的API，但是在最后这种情况下，用dot( )是最为合适的

multiply

numpy.multiply(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj]) = <ufunc 'multiply'>
"""
Returns:
	y : ndarray, x1 和 x2的element-wise乘积，保证x1和x2有相同的维数，或者进行broadcast之后两者有相同的维数
"""

所以第二个参数如果维度不够，会自动进行broadcast～

>>> np.multiply(2.0, 4.0)
8.0

>>> x1 = np.arange(9.0).reshape((3, 3))
>>> x2 = np.arange(3.0)
>>> np.multiply(x1, x2)
array([[  0.,   1.,   4.],
       [  0.,   4.,  10.],
       [  0.,   7.,  16.]])

*运算

• 对于ndarray, * 作用的是进行element-wise乘积，必要时需要broadcast，作用同np.multipy
• 对于matrix另有他用，这里我们先不讨论