NumPy线性代数函数依靠BLAS和LAPACK提供标准线性代数算法的有效低级实现。NumPy本身可以使用其参考实现的子集的C版本来提供这些库,但是,在可能的情况下,最好是利用专门处理器功能的高度优化的库。此类库的示例是OpenBLAS,MKL(TM)和ATLAS。因为这些库是多线程的,并且依赖于处理器,所以可能需要环境变量和外部程序包(例如threadpoolctl)来控制线程数或指定处理器体系结构。
|
两个数组的点积。 |
|
在一个函数调用中计算两个或多个数组的点积,同时自动选择最快的评估顺序。 |
|
返回两个向量的点积。 |
|
两个数组的内积。 |
|
计算两个向量的外积。 |
|
两个数组的矩阵乘积。 |
|
沿指定轴计算张量点积。 |
|
评估操作数上的爱因斯坦求和约定。 |
|
通过考虑中间数组的创建,评估einsum表达式的最低成本收缩顺序。 |
|
将平方矩阵提高到(整数)幂n。 |
|
两个阵列的Kronecker乘积。 |
|
胆固醇分解。 |
|
计算矩阵的qr因式分解。 |
|
奇异值分解。 |
|
计算方阵的特征值和右特征向量。 |
|
返回复数Hermitian(共轭对称)或实对称矩阵的特征值和特征向量。 |
|
计算通用矩阵的特征值。 |
|
计算复杂的Hermitian或实对称矩阵的特征值。 |
|
矩阵或向量范数。 |
|
计算矩阵的条件数。 |
|
计算数组的行列式。 |
|
使用SVD方法返回数组的矩阵秩 |
|
计算数组行列式的符号和(自然)对数。 |
|
返回数组对角线的和。 |
|
求解线性矩阵方程或线性标量方程组。 |
|
求解x 的张量方程。 |
|
将最小二乘解返回线性矩阵方程。 |
|
计算矩阵的(乘法)逆。 |
|
计算矩阵的(Moore-Penrose)伪逆。 |
|
计算N维数组的“逆”。 |
linalg函数引发的通用Python异常派生对象。 |
1.8.0版中的新功能。
如果将多个线性代数例程堆叠到同一数组中,则它们可以一次计算多个矩阵的结果。
通过输入参数规范(例如)在文档中对此进行了说明。这意味着,例如,如果给定一个输入数组,则将其解释为N个矩阵的“堆栈”,每个矩阵的大小为M×M。类似的规范适用于返回值,例如行列式具有并且在这种情况下将返回shape的数组
。这一般适用于高维数组的线性代数运算:多维数组的最后一维或二维被解释为矢量或矩阵,视每个运算而定。a : (..., M, M) array_like
a.shape == (N, M, M)
det : (...)
det(a).shape == (N,)