向量和矩阵运算及Numpy中对应方法

莫聽穿林打叶聲

已于 2024-07-13 23:17:55 修改

阅读量1.6k

点赞数 2

分类专栏： # 机器学习文章标签：线性代数矩阵乘法矩阵叉乘向量内积向量外积 numpy python

于 2022-06-18 22:44:20 首次发布

本文链接：https://blog.csdn.net/qq_43276566/article/details/125352622

版权

机器学习同时被 2 个专栏收录

24 篇文章 0 订阅

订阅专栏

人工智能数学基础

5 篇文章 0 订阅

订阅专栏

一、总结

向量的内积，即点乘：np.dot(a,b)等价于a@b
向量的外积，即叉乘：np.cross(a,b)
向量元素对应位置相乘：np.multiply(a,b)等价于a*b

矩阵点乘，即对应元素相乘：np.multiply(a,b)等价于a*b
矩阵叉乘，即矩阵乘法规则运算：np.dot(a,b)等价于a@b

二、向量

2.1 向量的内积

向量的点乘，也叫向量的内积、数量积，对两个向量执行点乘运算，就是对这两个向量对应位一一相乘之后求和的操作，点乘的结果是一个标量。
对于向量 $\bold a=[a_1, a_2, \cdots, a_n]$ 和向量 $\bold b=[b_1, b_2, \cdots, b_n]$ ， $\bold a \cdot \bold b=a_1b_1+a_2b_2+ \cdots + a_nb_n$ 这里要求一维向量a和向量b的行列数相同。

内积对应numpy中的函数为：np.dot(a,b)和a@b，且两种方式等价

In [34]: a = np.array([1, 2, 3])
In [35]: b = np.array([6, 7, 8])
In [36]: np.dot(a, b)
Out[36]: 44

2.2 向量的外积

两个向量的叉乘，又叫向量积、外积、叉积，其运算结果是一个向量而不是一个标量。并且两个向量的叉积与这两个向量组成的坐标平面垂直。
外积的几何意义：在三维几何中，向量a和向量b的叉乘结果是一个向量，更为熟知的叫法是法向量，该向量垂直于a和b向量构成的平面。
在这里插入图片描述
向量的外积，对应numpy中np.cross()方法：

In [38]: a = np.array([1, 2, 3])
In [39]: b = np.array([6, 7, 8])
In [40]: np.cross(a, b)
Out[40]: array([-5, 10, -5])

2.3 向量哈德玛乘积

向量哈德玛乘积（Hadamard积），元素对应位置相乘所得到的新向量，用用 $\odot$ 或者 $\circ$ 表示：

对于向量 $\bold a=[a_1, a_2, \cdots, a_n]$ 和向量 $\bold b=[b_1, b_2, \cdots, b_n]$ ， $\bold a \odot \bold b=a_1b_1+a_2b_2+ \cdots + a_nb_n$

向量哈德玛乘积，对应numpy中的np.multiply(a,b)和a*b：

In [42]: a = np.array([1, 2, 3])
In [43]: b = np.array([6, 7, 8])
In [44]: np.multiply(a, b)
Out[44]: array([ 6, 14, 24])

2.4 示例

三、矩阵

3.1 矩阵乘法（矩阵叉乘）

矩阵叉乘中，前者的列数=后者的行数
$\begin{bmatrix} w_{11} & w_{12} \\ w_{21} & w_{22} \\ w_{31} & w_{32} \\ \end{bmatrix}_{3\times 2} \times \begin{bmatrix} x_{11} & x_{12} \\ x_{21} & x_{22} \\ \end{bmatrix}_{2\times 2}=\begin{bmatrix} w_{11}x_{11} + w_{12} x_{21}& w_{11}x_{12} + w_{12}x_{22} \\ w_{21}x_{11} + w_{22} x_{21}& w_{21}x_{12} + w_{22}x_{22} \\ w_{31}x_{11} + w_{32} x_{21}& w_{31}x_{12} + w_{32}x_{22} \end{bmatrix}$
numpy中，对应方法是：np.dot(a,b)等价于a@b，需要注意的是这里要注意的是，np.dot(A, B)和np.dot(B, A)的值可能不一样。

In [12]: import numpy as np
In [13]: A = np.asarray([[1, 2], [3, 4], [5, 6]])
In [14]: A.shape
Out[14]: (3, 2)

In [15]: B = np.asarray([[1, 2, 3], [4, 5, 6]])
In [16]: B.shape
Out[16]: (2, 3)

In [17]: np.dot(A, B)
Out[17]:
array([[ 9, 12, 15],
       [19, 26, 33],
       [29, 40, 51]])
       
In [18]: np.dot(B, A)
Out[18]:
array([[22, 28],
       [49, 64]])

3.2 矩阵点乘（矩阵哈达玛积）

矩阵点乘要求两矩阵为同型矩阵（即两个矩阵的行数与列数都相同），对应元素相乘。

$\begin{bmatrix} w_{11} & w_{12} & w_{13}\\ w_{21} & w_{22} & w_{23}\\ \end{bmatrix}_{2\times 3} \odot \begin{bmatrix} x_{11} & x_{12} & x_{13} \\ x_{21} & x_{22} & x_{23}\\ \end{bmatrix}_{2\times 3}=\begin{bmatrix} w_{11}x_{11} & w_{12}x_{12} & w_{13}x_{13} \\ w_{21}x_{21} & w_{22}x_{22} & w_{23}x_{23} \\ w_{31}x_{31} & w_{32}x_{32} & w_{33}x_{33} \\ \end{bmatrix}$

numpy中，对应方法是：np.multiply(a,b)，该方法等价于a*b。

In [25]: A = np.asarray([[1, 2], [3, 4], [5, 6]])
In [26]: B = np.asarray([[1, 2], [3, 4], [5, 6]])

In [27]: A
Out[27]:
array([[1, 2],
       [3, 4],
       [5, 6]])

In [28]: B
Out[28]:
array([[1, 2],
       [3, 4],
       [5, 6]])

In [29]: np.multiply(A,B)
Out[29]:
array([[ 1,  4],
       [ 9, 16],
       [25, 36]])