numpy.matmul #

麻木的。matmul ( x1 , x2 , / , out=None , * , casting='same_kind' , order='K' , dtype=None , subok=True [ , signature , extobj , axes , axis ] ) = <ufunc 'matmul' > #

两个数组的矩阵乘积。

参数：

x1, x2类似数组: 不允许输入数组、标量。
输出ndarray，可选: 存储结果的位置。如果提供，它必须具有与签名(n,k),(k,m)->(n,m)匹配的形状。如果未提供或无，则返回新分配的数组。
**夸格: 对于其他仅关键字参数，请参阅 ufunc 文档。

1.16 版本中的新功能：现在可以处理 ufunc kwargs

返回：

y ndarray: 输入的矩阵乘积。仅当 x1、x2 都是一维向量时，这才是标量。

加薪：

值错误

如果x1的最后一个维度与x2的倒数第二个维度的大小不同。

如果传入标量值。

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。
dot: 具有不同广播规则的替代矩阵乘积。

笔记

该行为以下列方式取决于参数。

如果两个参数都是二维的，它们将像传统矩阵一样相乘。
如果任一参数为 ND，N > 2，则将其视为驻留在最后两个索引中的矩阵堆栈并相应地进行广播。
如果第一个参数是一维的，则通过在其维度前添加 1 将其提升为矩阵。矩阵乘法后，前面的 1 被删除。
如果第二个参数是一维的，则通过在其维度上附加 1 将其提升为矩阵。矩阵乘法后，附加的 1 被删除。

matmuldot与以下两个重要方面不同：

不允许与标量相乘，请*改为使用。

矩阵堆栈一起广播，就好像矩阵是元素一样，尊重签名(n,k),(k,m)->(n,m)：

>>> a = np.ones([9, 5, 7, 4])
>>> c = np.ones([9, 5, 4, 3])
>>> np.dot(a, c).shape
(9, 5, 7, 9, 5, 3)
>>> np.matmul(a, c).shape
(9, 5, 7, 3)
>>> # n is 7, k is 4, m is 3

matmul 函数实现了@Python 3.5 中引入的运算符的语义，如下所示PEP 465。

它尽可能使用优化的 BLAS 库（请参阅参考资料numpy.linalg）。

例子

对于二维数组，它是矩阵乘积：

>>> a = np.array([[1, 0],
...               [0, 1]])
>>> b = np.array([[4, 1],
...               [2, 2]])
>>> np.matmul(a, b)
array([[4, 1],
       [2, 2]])

对于 2-D 与 1-D 混合，结果是通常的。

>>> a = np.array([[1, 0],
...               [0, 1]])
>>> b = np.array([1, 2])
>>> np.matmul(a, b)
array([1, 2])
>>> np.matmul(b, a)
array([1, 2])

广播对于数组堆栈来说是传统的

>>> a = np.arange(2 * 2 * 4).reshape((2, 2, 4))
>>> b = np.arange(2 * 2 * 4).reshape((2, 4, 2))
>>> np.matmul(a,b).shape
(2, 2, 2)
>>> np.matmul(a, b)[0, 1, 1]
98
>>> sum(a[0, 1, :] * b[0 , :, 1])
98

Vector，向量返回标量内积，但两个参数都不是复共轭的：

>>> np.matmul([2j, 3j], [2j, 3j])
(-13+0j)

标量乘法会引发错误。

>>> np.matmul([1,2], 3)
Traceback (most recent call last):
...
ValueError: matmul: Input operand 1 does not have enough dimensions ...

该@运算符可以用作np.matmulon ndarray 的简写。

>>> x1 = np.array([2j, 3j])
>>> x2 = np.array([2j, 3j])
>>> x1 @ x2
(-13+0j)

1.10.0 版本中的新增内容。