矩阵点乘与叉乘的操作，python实现

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