numpy 矩阵乘法介绍

在 NumPy 中，矩阵乘法可以使用不同的函数和运算符来实现。最常用的是 @ 运算符和 numpy.matmul() 函数。

1. 使用 @ 符号进行矩阵乘法：

@ 是 Python 3.5+ 中引入的矩阵乘法运算符，可以直接在两个 NumPy 数组之间执行矩阵乘法。

示例：

import numpy as np

# 定义两个矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 使用 @ 运算符
result = A @ B
print(result)

2. 使用 numpy.matmul() 进行矩阵乘法：

numpy.matmul() 是 NumPy 中专门用于矩阵乘法的函数。其行为与 @ 符号相同。

示例：

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 使用 numpy.matmul 进行矩阵乘法
result = np.matmul(A, B)
print(result)

3. 使用 numpy.dot() 进行矩阵乘法：

numpy.dot() 可以执行两种操作：

• 对于一维数组，它执行点积（inner product）。
• 对于二维数组，它执行矩阵乘法。

示例：

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 使用 numpy.dot 进行矩阵乘法
result = np.dot(A, B)
print(result)

4. 三维及更高维的矩阵乘法：

numpy.matmul() 和 @ 也可以用于高维矩阵乘法。在高维情况下，NumPy 会对最后两个维度执行矩阵乘法，而前面的维度保持不变。

示例：

import numpy as np

A = np.random.rand(2, 3, 4)
B = np.random.rand(2, 4, 5)

# 高维矩阵乘法
result = np.matmul(A, B)
print(result.shape)  # 输出 (2, 3, 5)

总结：

• 使用 @ 或 numpy.matmul() 来进行常规矩阵乘法。
• numpy.dot() 既可以执行矩阵乘法，也可以执行点积。
• 高维数组中，matmul 只在最后两个维度上执行矩阵乘法。