Numpy矩阵乘法：np.dot() 和 np.matmul()的区别

---

前言

np.dot() 和 np.matmul() 这两个函数一直困惑了我好久，他们之间的区别到底在哪?
其实在有二维数组参与运算时，他们的运算结果是一样的，区别就在于一维与一维的内积。另外在有一维数组和二维数组混合运算时，时常会将概念混淆，要弄清这个问题，就要分清一维与二维。

---

一、一维向量与二维数组

首先按我的理解，给出一下概念

• 一维向量：用一对 [ ] 定义
• 二维数组：用两对 [ ] 定义

？？？这就完了？？？对，就这么简单！！！

首先你要明确，如果你在程序中打印它们的类型，那么没有任何区别。通过np.array()定义的 numpy 数组，只有一种类型：<class 'numpy.ndarray'>。

但是你要是打印他们的 shape ，区别立刻显现，请看。

A = np.array([1, 2, 3])
B = np.array([[1, 2, 3]])
C = np.array([[1, 2, 3], [4, 5, 6]])
print("A:", A.shape)  # A: (3,)
print("B:", B.shape)  # B: (1, 3)
print("C:", C.shape)  # C: (2, 3)

C 毋庸置疑，就是一个 2 * 3 的二维数组，或者说是矩阵。
区别就在 A B 之间。根据上述定义，A 是向量，B 是数组，区别就在于数组的形状一定是二维及以上。

注意：所有的一维向量，单独看时，都当成是列向量（竖着放的），虽然打印的时候是横着放的。

二、np.dot() 与 np.matmul() 的区别

1维 x 1维

前面已经说过，有二维数组参与运算时没有区别。
但有了前面一维和二维的概念，我想他们从本质上是没有任何区别，即相同。

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# print(a.shape)  # （3，）
print(a.dot(b))  # 求内积  1*4+2*5+3*6=32   np.dot(a, b)  <-> a.dot(a, b)
print(np.matmul(a, b)) # 矩阵乘法  也是三十二

两个一维向量运算，两个函数得到了相同的结果。np.dot() 是求内积毋庸置疑，那何以 np.matmul() 的结果也相同，矩阵乘法的条件（a的列数=b的行数）满足吗？

a,b的shape为 (3, )，计算 a*b
关键就在这一步的转换，不同于上述单独看向量，此处有两个向量相乘，那么：
谁在左边，就在左边添加维度1：a 在左，那么 a 的 shape 运算时为 （1，3）
谁在右边，就在右边添加维度1：b 在右，那么 b 的 shape 运算时为 （3，1）

满足矩阵乘法的条件：（1，3）* （3，1） -> (1, 1)

1维 与 多维 混合

a = np.array([[1, 2, 3], [4, 5, 6]])  # (2, 3)
b = np.array([1, 2, 3]) # (3,)
print(a.dot(b))  # [14 32]            （2，3）* （3，1） -> (2,1)
print(np.matmul(a, b))  # [14 32]     （2，3）* （3，1） -> (2,1)

# 如果是 b.dot(a)
# b 在左， （1， 3） * （2， 3）  报错
# 如果把 a 换成 （3，2），就可以运算
# 按照上边的变换，可以动手试一下。