Python 用于矩阵乘法的函数numpy.dot（）、@和方法.dot（）之间有什么区别？

有什么区别吗？如果不是，公约更倾向于什么？ 演出似乎差不多

a=np.random.rand(1000,1000)
b=np.random.rand(1000,1000)
%timeit a.dot(b)     #14.3 ms ± 374 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit np.dot(a,b)  #14.7 ms ± 315 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit a @ b        #15.1 ms ± 779 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

---

他们基本上都在做同样的事情。就时间而言，根据Numpy的文件：

• 如果a和b都是一维数组，则它是向量的内积 （没有复合共轭）

• 如果a和b都是二维数组，则是矩阵乘法，但 最好使用

  matmul

  或

  a@b

• 如果a或b是0-D（标量），则相当于乘法和 使用

  numpy。首选乘法（a，b）

  或

  a*b

• 如果a是N-D数组，b是1-D数组，则它是

  a

  和

  b

  的最后一个轴

---

它们几乎相同，只有少数例外

a.dot（b）

和

np.dot（a，b）

完全相同。见和

但是，查看

numpy.dot

的文档：

如果a和b都是二维数组，则为矩阵乘法，但最好使用

matmul

或

a@b

a@b

对应于

dot

和

matmul

的区别如下：

matmul

与

dot

有两个重要区别：

• 不允许使用标量乘法，请改用

  *

• 矩阵堆栈一起广播，就好像矩阵是 元素，关于签名

  （n，k）、（k，m）->（n，m）

  ：

---

对于2d示例，它们基本相同。对此没有

约定。
>>> 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