【机器学习笔记】numpy中关于*、dot()、multiply()针对矩阵的乘积

情况	A*B	np.dot(A,B)	np.multiply(A,B)
A.shape=(1,m)；B.shape=(1,1)	C.shape = (1,m) A行向量扩大b倍	ValueError	同 * 运算法则
A.shape=(1,m)；B.shape=(1,n)	C.shape = (1,m) 相同坐标的元素相乘。注：当且仅当n=m成立	ValueError	同 * 运算法则
A.shape=(1,m)；B.shape=(n,1)	C.shape = (n,m) 行向量扩大bi(i=1-n)倍，结果独占一行	C.shape = (1,1) 向量点乘法则。注：当且仅当n=m成立	同 * 运算法则
A.shape=(n,m)；B.shape=(l,o)	C.shape = (n,m) 相同坐标的元素相乘。注：当且仅当m=o时成立	C.shape = (n,o) 相同坐标的元素相乘。注：当且仅当m=l成立	同 * 运算法则

总结：
np.dot(a,b) 遵循矩阵向量运算规则
np.multiply(A,B)和 A*B两者遵循相同的运算规则，更偏向于列向量相同矩阵向量相乘。（也就适用于机器学习列向量代表样本数量）

---

附上 写笔记用的测试代码

import numpy as np

# 行向量、数
# a = np.array([[1, 2, 3]])
# b = np.array([[2]])

# 行向量、行向量
# a = np.array([[1, 2, 3]])
# b = np.array([[2, 2, 3]])
# b = np.array([[2, 2]])

# 行向量、列向量
# a = np.array([[1, 2, 3]])
# # b = np.array([[2],[ 2],[3]])
# b = np.array([[2], [2]])

# 矩阵、矩阵
# a = np.array([[1, 2,1], [3, 4,1]])
# b = np.array([[2, 2, 1], [1, 1,1]])

a = np.array([[1, 2,1], [3, 4,1]])
b = np.array([[2, 2, 1]])

# a = np.array([[1, 2], [3, 4]])
# b = np.array([[2, 2], [1, 1]])

# a = np.array([[1, 2], [3, 4], [1, 1]])
# b = np.array([[2], [2]])


print(a * b)
# print(np.dot(a, b))
print(np.multiply(a,b))