1. 与线性代数中的矩阵乘法定义相同:np.dot(),或@
np.dot(A, B):对于二维矩阵,计算真正意义上的矩阵乘积,即A的i行元素与B的j列元素相乘的积的和作为新矩阵的(i, j)元素;对于一维矩阵(即向量),计算两向量的内积。
相当于Matlab中的 *,也相当于线性代数中叉乘
线性代数举例:
Python代码举例
import numpy as np
# 2D array A: 2 x 3
A = np.array([[1, 2, 3], [4, 5, 6]])
# 2D array B: 3 x 2
B = np.array([[1, 4], [2, 5], [3, 6]])
# 2D array C: 2 x 2
C1 = np.dot(A, B)
C2 = A @ B
print(C1)
print(C2)
结果:
[[14 32]
[32 77]]
[[14 32]
[32 77]]
假设A.shape = (n, k), B.shape = (k, m), C = np.dot(A, B),那么C.shape = (n, m)。即第一个矩阵的列数应该与第二个矩阵的行数相等。
2. 对应元素相乘(element-wise product): * (数组使用和矩阵使用时情况不同!)或 np.multiply()
实现对应元素相乘有两种方式,一个是np.multiply(),另外一个是*。
相当于Matlab中的 .*(Octave也这样)
数组使用*
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]])
A*B #对应位置点乘
array([[ 0, 2],
[ 6, 12]])
矩阵使用*
(np.mat(A))(np.mat(B))
这样写也可以
(np.matrix(A))(np.matrix(B)) #执行矩阵运算
#执行矩阵运算,相当于线性代数中的叉乘
结果:
matrix([[ 4, 7],
[ 8, 15]])
矩阵如何让对应元素相乘呢,最好使用np.multiply()
np.multiply(np.mat(A),np.mat(B))
结果:
matrix([[ 0, 2],
[ 6, 12]])
mat与matrix区别:
np.mat
解释
如果输入本身就是一个矩阵,则np.mat不会对该矩阵make a copy.仅仅是创建了一个新的引用。相当于np.matrix(data, copy = False)
#导入模块
import numpy as np
#创建ndarray二维数组
x = np.array([[1, 2], [3, 4]])
#生成 <class 'numpy.matrix'> 矩阵
m = np.mat(x)
#打印 m 矩阵
print(m)
得到结果
[[1 2]
[3 4]]
注意:如果此时修改 x 数组,m矩阵也会随之发生变化
#修改 x 二维数组的索引(0,0)位置的元素
x[0,0] = 5
#打印 m 矩阵
print(m)
[[5 2]
[3 4]]
可以发现,x数组的元素 1 变为 5,m 矩阵也发生了变化,也就是说,它仅仅是创建了一个新的引用,结果还是受 x 数组的影响。
np.matrix
解释
默认为np.matrix(data, copy = True)。创建了一个新的相同的矩阵。当修改新矩阵时,原来的矩阵不会改变。相当于np.matrix(data, copy = True)
#导入模块
import numpy as np
#创建二维数组 x
x = np.array([[1, 2], [3, 4]])
#生成 <class 'numpy.matrix'> 矩阵
m = np.matrix(x)
#修改 x 二维数组的索引(0,0)位置的元素
x[0,0] = 5
#打印数组 x
print(x)
[[5 2]
[3 4]]
#打印矩阵 m
print(m)
#得到结果
[[1 2]
[3 4]]
可以发现,x数组的元素 1 变为 5,m 矩阵未发生变化,也就是说,创建了一个新的相同的矩阵,结果不受 x 数组的影响