Python 我能用np矩阵计算元素乘积吗？_Python_Arrays_Numpy_Matrix

Python 我能用np矩阵计算元素乘积吗？

python arrays numpy matrix

Python 我能用np矩阵计算元素乘积吗？,python,arrays,numpy,matrix,Python,Arrays,Numpy,Matrix,我知道我可以使用.dot语法使用numpy数组进行矩阵乘法。常规的*乘法执行元素级乘法 a = np.array([[1,2],[3,4]]) print 'matrix multiplication', a.dot(a) print 'element-wise multiplication', a * a > matrix multiplication [[ 7 10] [15 22]] > element-wise multiplication [[ 1 4] [ 9

我知道我可以使用

.dot

语法使用numpy数组进行矩阵乘法。常规的

乘法执行元素级乘法

a = np.array([[1,2],[3,4]])
print 'matrix multiplication', a.dot(a)
print 'element-wise multiplication', a * a

> matrix multiplication [[ 7 10]  [15 22]] 
> element-wise multiplication [[ 1  4]  [ 9 16]]

这很好，但它与我所学过的所有矩阵运算相反（即“点积”通常是按元素计算的，正则积通常是全矩阵乘法）

所以我正在研究

np.matrix

。好在矩阵乘法使用了

运算符，但我不知道如何进行元素乘法

m = np.matrix(a)
print 'matrix multiplication', m * m
print 'more matrix multiplication? ', m.dot(m)

> matrix multiplication [[ 7 10]  [15 22]] 
> more matrix multiplication?  [[ 7 10]  [15 22]]

我知道发生了什么-numpy矩阵没有

.dot

运算符，因此它取决于基本

np.array

实现。但这是否意味着无法使用

np.matrix

计算点积

这只是避免使用

np.matrix

而坚持使用

np.array

的另一个参数吗？

您可以使用

multiply

函数获得元素相乘：

>>> np.multiply(m, m)
matrix([[ 1,  4],
        [ 9, 16]])

对于

np，结果相同。乘以（a，a）

名称

dot

确实有些误导，但是

np.dot

的文档清楚地说：“对于二维数组，它相当于矩阵乘法”。严格地说，点积不是为矩阵定义的；元素乘法是。

您可以使用

乘法

函数获得元素乘法：

>>> np.multiply(m, m)
matrix([[ 1,  4],
        [ 9, 16]])

对于

np，结果相同。乘以（a，a）

名称

dot

确实有些误导，但是

np.dot

的文档清楚地说：“对于二维数组，它相当于矩阵乘法”。严格地说，点积不是为矩阵定义的；元素乘法是。

矢量的

np.dot

与

点积（也称为标量积）一致
In [125]: np.arange(10).dot(np.arange(1,11))
Out[125]: 330

但是，np.dot
被推广用于处理2维（或更高维）数组
MATLAB从一开始就建立在二维矩阵上，矩阵积被视为最常见和最基本的乘法。因此，*
符号用于元素乘法。
也可以与+
和其他运算符一起使用
numpy
中的基本结构是一个n-d数组。由于这样的数组可以有0、1、2或更多维度，因此数学运算符被设计为按元素工作<代码>np。提供dot

来处理矩阵积。有一种变体叫做

np.tensordot

<代码>np.einsum使用爱因斯坦符号（物理学中流行）。一个新的

操作符调用

np.matmul

函数

In [131]: a.dot(a)
Out[131]: 
array([[ 7, 10],
       [15, 22]])
In [134]: np.einsum('ij,jk->ik',a,a)
Out[134]: 
array([[ 7, 10],
       [15, 22]])
In [135]: a@a
Out[135]: 
array([[ 7, 10],
       [15, 22]])
In [136]: np.matmul(a,a)
Out[136]: 
array([[ 7, 10],
       [15, 22]])

np.matrix

是一个

ndarray

子类，添加它是为了让任性的MATLAB用户更熟悉

numpy

。与旧版本的MATLAB一样，它只能是2d。因此，

矩阵

计算的结果将始终是2d（或标量）。它的使用通常是不鼓励的，尽管我相信它会存在很长一段时间。（我使用的

sparse

矩阵多于

np.matrix

）

添加了

运算符后，使用

np.matrix

的理由就少了一个

In [149]: m=np.matrix(a)
In [150]: m*m
Out[150]: 
matrix([[ 7, 10],
        [15, 22]])
In [151]: m@m
Out[151]: 
matrix([[ 7, 10],
        [15, 22]])
In [152]: m*m*m
Out[152]: 
matrix([[ 37,  54],
        [ 81, 118]])
In [153]: a@a@a
Out[153]: 
array([[ 37,  54],
       [ 81, 118]])

矢量的

np.dot

与

点积

（也称为标量积）一致

In [125]: np.arange(10).dot(np.arange(1,11))
Out[125]: 330

但是，

np.dot

被推广用于处理2维（或更高维）数组

MATLAB从一开始就建立在二维矩阵上，矩阵积被视为最常见和最基本的乘法。因此，

符号用于元素乘法。

也可以与

和其他运算符一起使用

numpy

中的基本结构是一个n-d数组。由于这样的数组可以有0、1、2或更多维度，因此数学运算符被设计为按元素工作<代码>np。提供dot来处理矩阵积。有一种变体叫做

np.tensordot