numpy ndarray与matrix互相转换及转换时维度的变换

由于需要求数组的逆，而numpy.ndarray不能直接求逆，需要先转换为numpy.matrix类型。
ndarray转matrix：

x = np.mat(x)

matrix转ndarray:

x = x.A

需要注意的是，matrix 只能表示二维数据，用其他维度的ndarray转换为matrix后，再进行维度的变换。

顺便附上矩阵求逆：

x = x.I

矩阵转置

x = x.T

后续发现numpy 和 matrix 在计算时差别很大，故做个总结

1.生成矩阵

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

结果为：

<class 'numpy.ndarray'> [[1 2]
 [3 4]]
<class 'numpy.matrix'> [[1 2]
 [3 4]]

2.matrix()和 array ()函数都可以通过对象后面加上 .T 得到其转置。但是matrix()还可以在后面加 .H 得到共轭矩阵, 加 .I 得到逆矩阵， array()就不可以

print(a.T)
print(b.T)
print(b.H)
print(b.I)

结果为：

[[1 3]
 [2 4]]
[[1 3]
 [2 4]]
[[1 3]
 [2 4]]
[[-2.   1. ]
 [ 1.5 -0.5]]

3.互相转换：

a1 = np.mat(a)
b1 = b.getA()
b2 = np.asarray(b)
print(type(a1), a1)
print(type(b1), b1)
print(type(b2), b2)

结果为：

<class 'numpy.matrix'> [[1 2]
 [3 4]]
<class 'numpy.ndarray'> [[1 2]
 [3 4]]
<class 'numpy.ndarray'> [[1 2]
 [3 4]]

4.乘法
(１). np.multiply，对 array 和 matrix 对象的操作相同
维度相同，都是每行对应元素相乘，不求和。
对于两个矩阵元素维度不一的情况（array 和 matrix 对象都适用），则需将相应的行和列进行扩充，需要扩充的行或列的维度必须为 1。
对列扩充则补 1， 对行扩充则将第一行复制到每一行。比如，x：3 * 1， y: 1 * 2，则 x 扩充为 3 * 2，y 扩充为 3 * 2。
如下所示：

x = np.array([[1],[1],[1]])
y = np.array([1,2])
print(np.multiply(x,y))

结果为：

[[1 2]
 [1 2]
 [1 2]]

x 和 y为标量：则标量直接相乘

(２) .*
（1）对于 matrix 对象，代表矩阵乘法（维度必须满足相应规则）;
（2）对于array对象，则是每行对应元素相乘。当 array 对象的 shape 不同时（matrix 对象不行） ，其规则和 np.multiply 一样；

print(a*a)
print(b*b)
print(x*y)

结果为：

[[ 1  4]
 [ 9 16]]
[[ 7 10]
 [15 22]]
[[1 2]
 [1 2]
 [1 2]]

(３) .np.matmul
该函数对 array 和 matrix 对象的操作是不一样的。
（1）对于 matrix 对象，对应矩阵乘法，对象维度必须满足矩阵乘法规则。
（2）对于 array 对象，对应内积，但对象维度必须相同，不支持维度扩展。
（3）不支持标量运算。
在array 中，与 multiply 一样，每行对应元素相乘

print(np.matmul(a,a))
print(np.matmul(b,b))

结果为：

[[ 7 10]
 [15 22]]
[[ 7 10]
 [15 22]]

• 似乎有点问题

(４) .np.dot
对于matrix 对象，对应矩阵乘法。
对于两个 array 类型的元素：a，b，有如下可能:
（1）a 和 b 都是一维 array，那么 dot 就是它们的内积（点乘）；
（2）a 和 b 都是二维 array，那么 dot 就是它们的矩阵乘积（即按矩阵乘法规则来计算），也可以用 matmul 或 a @ b；
（3）如果a 和 b 都是标量（scalar），那么 dot 就是两个数的乘积，也可以用 multiply 或 a * b；
（4）若 a：N * D，b：1 * D，那么 dot 为 a 的每一行和 b （只有一行）的 内积；