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。
Numpy.dot()<