numpy.dot #
- 麻木的。点(a, b, out =无)#
两个数组的点积。具体来说,
如果a和b都是一维数组,则它是向量的内积(没有复共轭)。
如果a和b都是二维数组,则为矩阵乘法,但最好使用
matmul
or 。a @ b
如果a或b是 0-D(标量),则它等效于
multiply
并且优选使用or 。numpy.multiply(a, b)
a * b
如果a是 ND 数组,b是一维数组,则它是a和b的最后一个轴上的和积。
如果a是 ND 数组,b是 MD 数组(其中),则它是a的最后一个轴和b的倒数第二个轴的
M>=2
和积:dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])
它尽可能使用优化的 BLAS 库(请参阅 参考资料
numpy.linalg
)。- 参数:
- 类似数组
第一个论点。
- b类数组
第二个论点。
- 输出ndarray,可选
输出参数。它必须具有与未使用时将返回的确切类型。特别是,它必须具有正确的类型,必须是 C 连续的,并且其数据类型必须是为dot(a,b)返回的数据类型。这是一个性能特征。因此,如果不满足这些条件,则会引发异常,而不是尝试灵活处理。
- 返回:
- 输出数组
返回a和b的点积。如果a和b都是标量或都是一维数组,则返回标量;否则返回一个数组。如果给出了out,则将其返回。
- 加薪:
- 值错误
如果a的最后一个维度与b的倒数第二个维度的大小不同。
也可以看看
vdot
复共轭点积。
tensordot
对任意轴求和积。
einsum
爱因斯坦求和约定。
matmul
“@”运算符作为不带参数的方法。
linalg.multi_dot
链式点积。
例子
>>> np.dot(3, 4) 12
这两个参数都不是复共轭的:
>>> np.dot([2j, 3j], [2j, 3j]) (-13+0j)
对于二维数组,它是矩阵乘积:
>>> a = [[1, 0], [0, 1]] >>> b = [[4, 1], [2, 2]] >>> np.dot(a, b) array([[4, 1], [2, 2]])
>>> a = np.arange(3*4*5*6).reshape((3,4,5,6)) >>> b = np.arange(3*4*5*6)[::-1].reshape((5,4,6,3)) >>> np.dot(a, b)[2,3,2,1,2,2] 499128 >>> sum(a[2,3,2,:] * b[1,2,:,2]) 499128