Python Numpy Dott的怪异行为_Python_Numpy

Python Numpy Dott的怪异行为

python numpy

Python Numpy Dott的怪异行为,python,numpy,Python,Numpy,我正在使用python3.5，我有一个问题：为什么np.dot（）的行为是这样的 >> a = np.array([[1,2,3,4]]) >> b = np.array([123]) >> np.dot(a,b) Traceback (most recent call last): File "<input>", line 1, in <module> ValueError: shapes (1,4) and (1,) not a

我正在使用python3.5，我有一个问题：为什么np.dot（）的行为是这样的

>> a = np.array([[1,2,3,4]])
>> b = np.array([123])
>> np.dot(a,b)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
ValueError: shapes (1,4) and (1,) not aligned: 4 (dim 1) != 1 (dim 0)
>>np.dot(b,a)
array([123, 246, 369, 492])

>a=np.array（[[1,2,3,4]]
>>b=np.数组（[123]）
>>np.dot（a，b）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
ValueError:形状（1,4）和（1，）未对齐：4（尺寸1）！=1（尺寸0）
>>np.dot（b，a）
数组（[123246369492]）

从

帮助（np.dot）

中，我们了解到，

np.dot（x，y）

是x的最后一个轴与
y
的倒数第二个轴的和积
在
np.dot（a，b）
的情况下，
a
的最后一个轴是4，
b
的唯一轴的长度是1。他们不匹配：失败
在
np.dot（b，a）
的情况下，
b
的最后一个轴是1，
a
的倒数第二个轴是1。他们匹配：成功
权变措施根据您对
np.dot（a，b）
的意图，您可能需要：

>>> np.dot(a, np.resize(b,a.shape[-1])) array([1230])
从
help（np.dot）
中，我们了解到，
np.dot（x，y）
是x的最后一个轴与
y
的倒数第二个轴的和积
在
np.dot（a，b）
的情况下，
a
的最后一个轴是4，
b
的唯一轴的长度是1。他们不匹配：失败
在
np.dot（b，a）
的情况下，
b
的最后一个轴是1，
a
的倒数第二个轴是1。他们匹配：成功
权变措施根据您对
np.dot（a，b）
的意图，您可能需要：

>>> np.dot(a, np.resize(b,a.shape[-1])) array([1230])
从用于
numpy.dot（x，y）
：
对于二维数组，它等价于矩阵乘法，对于一维数组，它等价于向量的内积。。。对于N维，它是
x
最后一个轴与
y
倒数第二个轴的和积：
那么，你有：

a = np.array([[1,2,3,4]]) # shape is (1, 4), 2-D array (matrix) b = np.array([123]) # shape is (1,), 1-D array (vector)

np.dot（b，a）
工作（
（1，）*（1，4）
，相关尺寸一致）

np.点（a，b）
不（
（1，4）*（1，）
，相关尺寸不一致，操作未定义。请注意，
（1，）
的“倒数第二个”轴对应于其唯一的一个轴）

这与有两个二维阵列（即矩阵）时的行为相同：

a = np.array([[1,2,3,4]]) # shape is (1, 4) b = np.array([[123]]) # shape is (1, 1)

np.点（b，a）
工作（
（1,1）*（1,4）
，内部矩阵尺寸一致）

np.点（a，b）
不（
（1，4）*（1，1）
，内部矩阵尺寸不一致）

但是，如果有两个一维数组，即向量，则两种操作都不起作用：

a = np.array([1,2,3,4]) # shape is (4,) b = np.array([123]) # shape is (1,)

np.dot（b，a）
不起作用（
（1，）*（4，）
，但只能为相同长度的向量定义内积）

np.dot（a，b）
不工作（
（4，）*（1）
，相同）

从for
numpy.dot（x，y）
：
对于二维数组，它等价于矩阵乘法，对于一维数组，它等价于向量的内积。。。对于N维，它是
x
最后一个轴与
y
倒数第二个轴的和积：
那么，你有：

a = np.array([[1,2,3,4]]) # shape is (1, 4), 2-D array (matrix) b = np.array([123]) # shape is (1,), 1-D array (vector)

np.dot（b，a）
工作（
（1，）*（1，4）
，相关尺寸一致）

np.点（a，b）
不（
（1，4）*（1，）
，相关尺寸不一致，操作未定义。请注意，
（1，）
的“倒数第二个”轴对应于其唯一的一个轴）

这与有两个二维阵列（即矩阵）时的行为相同：

a = np.array([[1,2,3,4]]) # shape is (1, 4) b = np.array([[123]]) # shape is (1, 1)

np.点（b，a）
工作（
（1,1）*（1,4）
，内部矩阵尺寸一致）

np.点（a，b）
不（
（1，4）*（1，1）
，内部矩阵尺寸不一致）

但是，如果有两个一维数组，即向量，则两种操作都不起作用：

a = np.array([1,2,3,4]) # shape is (4,) b = np.array([123]) # shape is (1,)

np.dot（b，a）
不起作用（
（1，）*（4，）
，但只能为相同长度的向量定义内积）

np.dot（a，b）
不工作（
（4，）*（1）
，相同）

这不是一个真正的答案，但从文档中观察到，此功能的开发更多地考虑了性能而不是灵活性（请参阅输出参数上的注释：“这是一个性能特性。因此，如果不满足这些条件，将引发异常，而不是尝试灵活处理。”）。因此，我可以想象，出于同样的原因，没有做出任何努力来考虑您的输入。这不是一个真正的答案，但从文档中观察到，该函数的开发更多地考虑了性能而不是灵活性（请参见关于输出参数的注释：“这是一个性能特性。因此，如果不满足这些条件，将引发异常，而不是尝试灵活处理。”）。因此，我可以想象，出于同样的原因，也没有做出任何努力来允许您的输入。从技术上讲，
b
是（1，）数组，1d带有1个元素，而不是（1,1）但是对于这个计算来说，重要的是
a
的二维形状。事实上，我也意识到了这一点。现在编辑答案。从技术上讲
b
是（1，）数组，1d带有1个元素，而不是（1,1）。但是对于这个计算来说，重要的是
a
的二维形状。事实上，我也意识到了这一点。现在编辑答案。