numpy.ma.inner #
- 嘛。内部( a , b , / ) [来源] #
两个数组的内积。
一维数组的向量的普通内积(没有复杂的共轭),在更高的维度上是最后一个轴的和积。
- 参数:
- a, b类似数组
如果a和b是非标量,则它们的最后一个维度必须匹配。
- 返回:
- 输出数组
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。
out.shape = (*a.shape[:-1], *b.shape[:-1])
- 加薪:
- 值错误
如果a和b都是非标量,并且它们的最后一个维度具有不同的大小。
笔记
屏蔽值被 0 替换。
对于向量(一维数组),它计算普通内积:
np.inner(a, b) = sum(a[:]*b[:])
更一般地,如果和:
ndim(a) = r > 0
ndim(b) = s > 0
np.inner(a, b) = np.tensordot(a, b, axes=(-1,-1))
或明确地:
np.inner(a, b)[i0,...,ir-2,j0,...,js-2] = sum(a[i0,...,ir-2,:]*b[j0,...,js-2,:])
此外,a或b可能是标量,在这种情况下:
np.inner(a,b) = a*b
例子
向量的普通内积:
>>> a = np.array([1,2,3]) >>> b = np.array([0,1,0]) >>> np.inner(a, b) 2
一些多维的例子:
>>> a = np.arange(24).reshape((2,3,4)) >>> b = np.arange(4) >>> c = np.inner(a, b) >>> c.shape (2, 3) >>> c array([[ 14, 38, 62], [ 86, 110, 134]])
>>> a = np.arange(2).reshape((1,1,2)) >>> b = np.arange(6).reshape((3,2)) >>> c = np.inner(a, b) >>> c.shape (1, 1, 3) >>> c array([[[1, 3, 5]]])
b是标量的示例:
>>> np.inner(np.eye(2), 7) array([[7., 0.], [0., 7.]])