numpy.dot #

麻木的。a b out =#

两个数组的点积。具体来说,

  • 如果ab都是一维数组,则它是向量的内积(没有复共轭)。

  • 如果ab都是二维数组,则为矩阵乘法,但最好使用matmulor 。a @ b

  • 如果ab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ab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ab的点积。如果ab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