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。
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。
matmul
dot
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.matmul
on 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。