python np.dot()、np.multiply()、np.matmul()、@、*的用法与区别

基本概念

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

点积

点积：指实数域中的两个向量运算得到一个实数值标量。
$$\begin{gathered} 对于向量a=(x_1,y_1)和向量b=(x_2,y_2)， \\ 它们的点积表示为a\cdot b=x_1{x}_2+y_1{y}_2。 \end{gathered}$$

矩阵乘法

两个矩阵运算需要满足矩阵乘法的规则，即前一个矩阵的列数等于后一个矩阵的行数。
$$\begin{gathered} 矩阵A=\left[\begin{array}{cc}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right]，矩阵B=\left[\begin{array}{cc}{b}_{11}& b_{12}\\ b_{21}& b_{22}\end{array}\right] \\ AB=\left[\begin{array}{cc}{a}_{11}\ast b_{11}+a_{12}\ast b_{21}& a_{11}\ast b_{12}+a_{12}\ast b_{22}\\ a_{21}\ast b_{11}+a_{22}\ast b_{21}& a_{21}\ast b_{12}+a_{22}\ast b_{22}\end{array}\right] \end{gathered}$$

np.dot()与@

np.dot()与@的用法相同。
对于秩为1的数组，执行点积运算；
对于秩不为1的二维数组，执行矩阵乘法；

秩为1的情况

dot

>>> A = np.arange(1,5)
>>> A
array([1, 2, 3, 4])

>>> B = np.arange(0,4)
>>> B
array([0, 1, 2, 3])

>>> np.dot(A,B)
20

@

>>> A = np.arange(1,4)
>>> A
array([1, 2, 3])

>>> B = np.arange(0,3)
>>> B
array([0, 1, 2])

>>> A@B
8

秩不为1的情况

dot

>>> A = np.arange(1,5).reshape(2,2)
>>> A
array([[1, 2],
       [3, 4]])

>>> B = np.arange(0,4).reshape(2,2)
>>> B
array([[0, 1],
       [2, 3]])

>>> np.dot(A,B)
array([[ 4,  7],
       [ 8, 15]])

@

>>> A = np.arange(1,7).reshape(2,-1)
>>> A
array([[1, 2, 3],
       [4, 5, 6]])
       
>>> B = np.arange(1,7).reshape(-1,2)
>>> B
array([[1, 2],
       [3, 4],
       [5, 6]])
       
>>> (np.mat(A))@(np.mat(B))
matrix([[22, 28],
        [49, 64]])

np.multiply()

数组与矩阵对应位置相乘，输出与相乘的矩阵or数组大小相同

与数组相乘

A = np.arange(1,5).reshape(2,2)
>>> A
array([[1, 2],
       [3, 4]])
  
>>> B = np.arange(0,4).reshape(2,2)
>>> B
array([[0, 1],
       [2, 3]])
       
>>> np.multiply(A,B)
array([[ 0,  2],
       [ 6, 12]])

与矩阵相乘

数组会自适应按列相乘还是按行相乘。

>>> A = np.arange(1,3).reshape(2,1)
>>> A
array([[1],
       [2]])
       
>>> B
array([[0, 1],
       [2, 3]])
       
>>> np.multiply(A,np.mat(B))
matrix([[0, 1],
        [4, 6]])

>>> A
array([[1, 2]])

>>> B
array([[0, 1],
       [2, 3]])
       
>>> np.multiply(A,np.mat(B))
matrix([[0, 2],
        [2, 6]])

np.matmul()

matmul是matrix multiply的缩写，所以他是专门用于矩阵乘法的函数。

>>> A = np.arange(1,7).reshape(2,-1)
>>> A
array([[1, 2, 3],
       [4, 5, 6]])
       
>>> B = np.arange(1,7).reshape(-1,2)
>>> B
array([[1, 2],
       [3, 4],
       [5, 6]])
       
>>> np.matmul(np.mat(A), np.mat(B))
matrix([[22, 28],
        [49, 64]])

*

对数组执行对应位置相乘
对矩阵执行矩阵相乘

数组相乘

>>> A
array([1, 2, 3])

>>> B
array([0, 1, 2])

>>> A*B
array([0, 2, 6])

矩阵相乘

>>> A = np.arange(1,5).reshape(2,2)
>>> A
array([[1, 2],
       [3, 4]])
       
>>> B = np.arange(0,4).reshape(2,2)
>>> B
array([[0, 1],
       [2, 3]])
       
>>> (np.mat(A))*(np.mat(B))
matrix([[ 4,  7],
        [ 8, 15]])