为什么numpy.dot是numpy.dot（a，b）的错误，但有numpy.dot（b，a）的输出？

我试图理解为什么numpy的点函数的行为是这样的：

t1 = np.array( [1, 0] )
t2 = np.array( [ [7,6],
                 [7,6],
                 [7,6],
                 [7,6]] )

np.点（t1，t2）是错误的，因为矩阵乘法错误：

ValueError:形状（2，）和（4,2）未对齐：2（尺寸0）！=4（尺寸0）

这是对的。我能理解。但是为什么np.dot（t2，t1）有输出，而不是np.dot（t1，t2）有相同的故障？参数的不同顺序有不同的解释

[7]

谢谢。

请参考：

函数引发ValueError：

如果a的最后一个尺寸与b的倒数第二个尺寸不相同

请注意，您不仅使用1D阵列：

In [6]: t1.ndim
Out[6]: 1

In [7]: t2.ndim
Out[7]: 2

因此，

t2

是一个2D数组。 在

t2的输出中也可以看到这一点。shape

：（4,2）表示两个维度，因为（2，）是一个维度

对于1D和2D阵列，

np.dot

的行为有所不同（不同于：

对于二维数组，它等价于矩阵乘法；对于一维数组，它等价于矩阵乘法 向量内积的数组

这就是得到不同结果的原因，因为您混合了一维和二维阵列。由于

t2

是二维数组，

np.dot（b，a）

尝试矩阵乘法，

np.dot（a，b）

尝试内积，但失败

在矩阵乘法的情况下（请参阅）：第二个参数是1-D，通过在其维度上附加1将其提升为矩阵。矩阵相乘后，删除附加的1。简单地说，t2形状是（4,2），t1形状是（2，）。t1为1D，t1的形状转换为（2,1），矩阵相乘后1被移除。因此，若您将存储点积的输出，则可以检查形状是否为（4，）

请参阅：

函数引发ValueError：

如果a的最后一个尺寸与b的倒数第二个尺寸不相同

请注意，您不仅使用1D阵列：

In [6]: t1.ndim
Out[6]: 1

In [7]: t2.ndim
Out[7]: 2

因此，

t2

是一个2D数组。 在

t2的输出中也可以看到这一点。shape

：（4,2）表示两个维度，因为（2，）是一个维度

对于1D和2D阵列，

np.dot

的行为有所不同（不同于：

对于二维数组，它等价于矩阵乘法；对于一维数组，它等价于矩阵乘法 向量内积的数组

这就是得到不同结果的原因，因为您混合了一维和二维阵列。由于

t2

是二维数组，

np.dot（b，a）

尝试矩阵乘法，

np.dot（a，b）

尝试内积，但失败

在矩阵乘法的情况下（请参阅）：第二个参数是1-D，通过在其维度上附加1将其提升为矩阵。矩阵相乘后，删除附加的1。简单地说，t2形状是（4,2），t1形状是（2，）。t1为1D，t1的形状转换为（2,1），矩阵相乘后1被移除。因此，若您将存储点积的输出，则可以检查形状是否为（4，）

---

你似乎不明白我的问题。为什么不同的参数顺序会有不同的解释？根据定义，矩阵乘法不是可交换的。谢谢@Sayali Sonawane。点（t1，t2）是一维数组与二维数组的乘积。失败的是矩阵乘法。这是对的,；点（t2，t1）是二维数组（4*2）与一维数组（1*2）的乘积。这并没有失败。为什么？如果1D数组与2D数组相乘，则1D数组将始终被numpy自动视为列向量？在矩阵相乘的情况下：第二个参数是1-D，通过在其维度上附加1将其提升为矩阵。矩阵相乘后，删除附加的1。简单地说，t2形状是（4,2），t1形状是（2，）。t1为1D，t1的形状转换为（2,1），矩阵相乘后1被移除。所以，若你们要存储点积的输出，你们可以检查形状是否为（4，）。你们似乎不明白我的问题。为什么不同的参数顺序会有不同的解释？根据定义，矩阵乘法不是可交换的。谢谢@Sayali Sonawane。点（t1，t2）是一维数组与二维数组的乘积。失败的是矩阵乘法。这是对的,；点（t2，t1）是二维数组（4*2）与一维数组（1*2）的乘积。这并没有失败。为什么？如果1D数组与2D数组相乘，则1D数组将始终被numpy自动视为列向量？在矩阵相乘的情况下：第二个参数是1-D，通过在其维度上附加1将其提升为矩阵。矩阵相乘后，删除附加的1。简单地说，t2形状是（4,2），t1形状是（2，）。t1为1D，t1的形状转换为（2,1），矩阵相乘后1被移除。因此，若您将存储点积的输出，则可以检查形状是否为（4，）。