np.dot np.matmul np.mutiply @ *

np.dot np.matmul np.mutiply @ *

​ 我自己最近总是混淆这几个运算，今天做一个总结。

先导概念

标量

一个标量就是一个数

向量

向量可以看做标量的集合，可以通过标量在这个集合中的顺序进行索引

矩阵

矩阵是二维数组，其中的每一个元素被两个索引而非一个所确定。

张量

几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。

可以将任意一张彩色图片表示成一个三阶张量，三个维度分别是图片的高度、宽度和色彩数据。

点积

点积一般来讲也叫内积，数量积。但是点积和内积也是有一些差别的，想继续了解的可以去看下参考博客第三个，我在这里尝试做一个概括，内积是更一般意义上的点积，比如在一段区间内的积分其实就是在做内积。f * dx 并求和。
$${\int }_a^{b}f\mathrm{d}x$$
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。

哈达玛积

Hadamard product(又称element-wise product)：对应元素相乘，二者维数必须相同。

几种操作的结果

	NumPy Array	NumPy Matrix	NumPy Array Vector
np.multiply(A, B)	Hadamard Product	Hadamard Product	Hadamard Product
np.dot(A, B)	Matrix Multiplication	Matrix Multiplication	Sum of Hadamard Product
A * B	Hadamard Product	Matrix Multiplication	Hadamard Product
np.matmul(A, B)	Matrix Multiplication	Matrix Multiplication	Sum of Hadamard Product
A @ B	Matrix Multiplication	Matrix Multiplication	Sum of Hadamard Product

示例

mutiply and *

array

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[1, 1], [2, 2]])

c = np.multiply(A, B)
print(c)

[[1 2]
 [6 8]]

A * B

array([[1, 2],
       [6, 8]])

matrix

A = np.mat(A)
B = np.mat(B)
c = np.multiply(A,B)
print(c)

[[1 2]
 [6 8]]

A * B

matrix([[ 5,  5],
        [11, 11]])

vector

A = np.array([1, 2, 3, 4])
B = np.array([1, 1, 2, 2])

c = np.multiply(A,B)
print(c)

[1 2 6 8]

A * B

array([1, 2, 6, 8])

matmul and dot

array

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[1, 1], [2, 2]])

c = np.dot(A, B)
print(c)

[[ 5  5]
 [11 11]]

np.matmul(A, B)

array([[ 5,  5],
       [11, 11]])

A @ B

array([[ 5,  5],
       [11, 11]])

matrix

A = np.mat(A)
B = np.mat(B)
c = np.dot(A,B)
print(c)

[[ 5  5]
 [11 11]]

np.matmul(A, B)

matrix([[ 5,  5],
        [11, 11]])

A @ B

matrix([[ 5,  5],
        [11, 11]])

vector

A = np.array([1, 2, 3, 4])
B = np.array([1, 1, 2, 2])
c = np.dot(A,B)
print(c)

17

np.matmul(A, B)

17

A @ B

17

总结

当进行向量的内积运算时，可以通过np.dot()
当进行矩阵的乘法运算时，可以通过np.matmul()或者@
当进行标量的乘法运算时，可以通过np.multiply()或者*

参考博客

1.数学概念：张量、矩阵、叉乘、点乘

2.【python】np.dot()、np.multiply()、np.matmul()方法以及*和@运算符的用法总结

3.difference between dot product and inner product