NumPy 支持的幾類矩陣乘法也很重要。
元素級乘法
你已看過了一些元素級乘法。你可以使用 multiply 函數或 * 運算符來實現。回顧一下，它看起來是這樣的：
m = np.array([[1,2,3],[4,5,6]])
m
# 顯示以下結果：
# array([[1, 2, 3],
# [4, 5, 6]])
n = m * 0.25
n
# 顯示以下結果：
# array([[ 0.25, 0.5 , 0.75],
# [ 1. , 1.25, 1.5 ]])
m * n
# 顯示以下結果：
# array([[ 0.25, 1. , 2.25],
# [ 4. , 6.25, 9. ]])
np.multiply(m, n) # 相當于 m * n
# 顯示以下結果：
# array([[ 0.25, 1. , 2.25],
# [ 4. , 6.25, 9. ]])
矩陣乘積
要獲得矩陣乘積，你可以使用 NumPy 的 matmul 函數。
如果你有兼容的形狀，那就像這樣簡單：
a = np.array([[1,2,3,4],[5,6,7,8]])
a
# 顯示以下結果：
# array([[1, 2, 3, 4],
# [5, 6, 7, 8]])
a.shape
# 顯示以下結果：
# (2, 4)
b = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
b
# 顯示以下結果：
# array([[ 1, 2, 3],
# [ 4, 5, 6],
# [ 7, 8, 9],
# [10, 11, 12]])
b.shape
# 顯示以下結果：
# (4, 3)
c = np.matmul(a, b)
c
# 顯示以下結果：
# array([[ 70, 80, 90],
# [158, 184, 210]])
c.shape
# 顯示以下結果：
# (2, 3)
如果你的矩陣具有不兼容的形狀，則會出現以下錯誤：
np.matmul(b, a)
# 顯示以下錯誤：
# ValueError: shapes (4,3) and (2,4) not aligned: 3 (dim 1) != 2 (dim 0)
NumPy 的 dot 函數
有時候，在你以為要用 matmul 函數的地方，你可能會看到 NumPy 的 dot 函數。事實證明，如果矩陣是二維的，那么 dot 和 matmul 函數的結果是相同的。
所以這兩個結果是等價的：
a = np.array([[1,2],[3,4]])
a
# 顯示以下結果：
# array([[1, 2],
# [3, 4]])
np.dot(a,a)
# 顯示以下結果：
# array([[ 7, 10],
# [15, 22]])
a.dot(a) # you can call你可以直接對 `ndarray` 調用 `dot`
# 顯示以下結果：
# array([[ 7, 10],
# [15, 22]])
np.matmul(a,a)
# array([[ 7, 10],
# [15, 22]])
雖然這兩個函數對于二維數據返回相同的結果，但在用于其他數據形狀時，你應該謹慎選擇。你可以在 matmul和 dot 文檔中詳細了解它們的差異，并找到其他 NumPy 函數的鏈接。
到此這篇關于NumPy 矩陣乘法的實現示例的文章就介紹到這了,更多相關NumPy 矩陣乘法內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Numpy實現矩陣運算及線性代數應用
- numpy數組合并和矩陣拼接的實現
- numpy和tensorflow中的各種乘法(點乘和矩陣乘)
- 從Pytorch模型pth文件中讀取參數成numpy矩陣的操作
- Python numpy大矩陣運算內存不足如何解決
- 使用numpy實現矩陣的翻轉(flip)與旋轉
