numpy array逆矩阵_Numpy学习打卡task04

今天带来的是Datawhal自主学习Numpy下学习打卡笔记第四部分—线性代数。 本文大致介绍了线性代数的相关知识。 本文素材来自网络及Datawhale。

矩阵乘积

矩阵相乘最重要的方法是一般矩阵乘积。它只有在第一个矩阵的列数(column)和第二个矩阵的行数(row)相同时才有意义。一般单指矩阵乘积时，指的便是一般矩阵乘积。一个m×n的矩阵就是m×n个数排成m行n列的一个数阵。由于它把许多数据紧凑地集中到了一起，所以有时候可以简便地表示一些复杂的模型，如电力系统网络模型。 设A为    的矩阵，B为    的矩阵，那么称   的矩阵C为矩阵A与B的乘积，记作  ，其中矩阵C中的第    行第 列元素可以表示为：  如下所示： 1、当矩阵A的列数(column)等于矩阵B的行数(row)时，A与B可以相乘。 2、矩阵C的行数等于矩阵A的行数，C的列数等于B的列数。 3、乘积C的第m行第n列的元素等于矩阵A的第m行的元素与矩阵B的第n列对应元素乘积之和。

• 乘法结合律：(AB)C=A(BC)． 
• 乘法左分配律：(A+B)C=AC+BC
• 乘法右分配律：C(A+B)=CA+CB
• 对数乘的结合性k(AB)=(kA)B=A(kB)．
• 转置    
• 矩阵乘法在以下两种情况下满足交换律。
• AA*=A*A，A和伴随矩阵相乘满足交换律。
• AE=EA，A和单位矩阵或数量矩阵满足交换律。

其他乘积形式 除了上述的矩阵乘法以外，还有其他一些特殊的“乘积”形式被定义在矩阵上，值得注意的是，当提及“矩阵相乘”或者“矩阵乘法”的时候，并不是指代这些特殊的乘积形式，而是定义中所描述的矩阵乘法。在描述这些特殊乘积时，使用这些运算的专用名称和符号来避免表述歧义。 哈达马积(Hadamard product) 矩阵  与    矩阵    的Hadamard积记作 。其元素定义为两个矩阵对应元素的乘积   的 m×n 矩阵   。 例如 克罗内克积(Kronecker Product) 克罗内克积是两个任意大小的矩阵间的运算，符号记作  。克罗内克积也被称为直积 或张量积 .以德国数学家利奥波德·克罗内克命名  。计算过程如下例所示【1】：

Numpy.dot()<