Python Np数组向量与数组的点积
我在理解numpy点函数和广播背后的工作时遇到了一个问题。下面是我试图理解的代码片段Python Np数组向量与数组的点积,python,numpy,array-broadcasting,Python,Numpy,Array Broadcasting,我在理解numpy点函数和广播背后的工作时遇到了一个问题。下面是我试图理解的代码片段 a=np.array([[1,2],[3,5]]) 如果我们检查一个物体的形状 a.shape 它将是(2,2) b=np.array([3,6]) 而且b.形状是(2,) 问题1:b是列向量还是行向量?在提供输入时,b似乎是行向量,但shape将其显示为有2行的列向量。我理解的错误是什么 现在如果你愿意 a.dot(b) 它导致 数组([15,39]) 问题2:根据矩阵乘法,如果a是m*n,那么b必须是n*k
a=np.array([[1,2],[3,5]])
如果我们检查一个物体的形状
a.shape
它将是(2,2)
b=np.array([3,6])
而且b.形状是(2,)
问题1:b
是列向量还是行向量?在提供输入时,b
似乎是行向量,但shape将其显示为有2行的列向量。我理解的错误是什么
现在如果你愿意
a.dot(b)
它导致
数组([15,39])
问题2:根据矩阵乘法,如果a
是m*n
,那么b
必须是n*k
,因为a
是2*2,那么b
必须是2*1。这是否验证了b
是列向量,否则如果它是行向量,则不可能进行矩阵乘法,但点积的输出确实根据矩阵乘法给出了值,将b
视为列向量并进行广播
现在b.dot(a)
也是可能的,并且会导致
数组([21,36])
和
这让我大吃一惊。他们是如何检查矩阵乘法向量的兼容性的?他们是如何计算的?
在至少一种情况下,他们必须抛出不兼容维度的错误进行乘法。但没有显示错误,并且他们正在计算这两种情况下的结果。首先,
a=np.array([[1,2],[3,5])
更改为a=np.array([[1,2],[3,5]])
,以便工作
numpy数组是一个由值组成的网格,所有值都是相同类型的,并由一个非负整数元组索引。维数是数组的秩;数组的形状是一个整数元组,给出数组沿每个维数的大小
回答你的问题b的形状是2,即行大小
a = np.array([1, 2, 3])
a.shape
(3,) #here 3 is row size its one dimensional array.
点运算符: 示例:
np.dot(2, 4)
8
二维阵列的另一个示例:
>>> a = [[1, 0], [0, 1]]
>>> b = [[4, 1], [2, 2]]
>>> np.dot(a, b)
array([[4, 1],
[2, 2]])
- 计算向量内积、向量与矩阵相乘以及矩阵相乘的点函数
- 点既可以作为numpy模块中的函数使用,也可以作为数组对象的实例方法使用
>>>a=numpy.arange(3)
>>>a.shape=(1,3)
>>>a
array([0,1,2])
>>>b=numpy.arange(9)
>>>b.shape=(3,3)
>>>b
array([0,1,2]
[3,4,5]
[6,7,8])
然后定义一个(3,)向量:
在普通线性代数中,如果c是一个列向量,我们希望a.c用3x1列向量生成一个常数,1x3矩阵点,c.a生成一个3x3矩阵,3x1列乘以1x3行。在python中这样做你会发现a.dot(c)
将生成一个(1,)数组(我们期望的常数),但c.dot(a)
将引发错误:
>>>d=a.dot(c)
d.shape=(1,)
>>>e=c.dot(a)
ValueError: shapes (3,) and (1,3) not aligned: 3 (dim 0) != 1 (dim 0)
出错的是,numpy只检查了c的维度和a的第一维度,而没有检查c的最后维度和a。根据numpy的说法,1D数组只有一个维度,所有检查都是针对该维度进行的。因此,我们发现1D数组没有严格作为列向量或行向量。例如,b.dot(c)
检查b的第二维度与c的一维(c像列向量一样操作),以及c.dot(b)
检查c的一维与b的第一维度(c像行向量一样操作)。因此,它们都起作用:
>>>f=b.dot(c)
>>>f
array([ 5, 14, 23])
>>>g=c.dot(b)
>>>g
array([15, 18, 21])
为了避免这种情况,必须为数组提供第二维度,使其成为行向量或列向量。在本例中,对于列向量,可以明确地说c.shape=(3,1)
,对于行向量,可以说c.shape=(1,3)
>>>c.shape=(3,1)
>>>c.dot(a)
array([0,0,0]
[0,1,2]
[0,2,4])
>>>h=c.dot(b)
ValueError: shapes (3,1) and (3,3) not aligned: 1 (dim 1) != 3 (dim 0)
>>>c.shape=(1,3)
>>>i=c.dot(b)
>>>i
array([[15, 18, 21]])
从中可以看出:
根据numpy,行和列向量有两个维度a=np.array([[1,2],[3,5])这必须是a=np.array([[1,2],[3,5])。数组积和矩阵积是不同的。我建议你用B的第二个到最后一个来分析a的最后一个(或唯一的)dim描述了
点(a,B)在大多数情况下,@ HAMZAAN BRILLE:虽然这是旧的,但是请考虑对你的ANS进行一些改进,以获得未来的利益。具体来说,如果你先澄清“行向量”、“列向量”的含义,这将有帮助。如果不是一个普遍意义,至少在你的答案的上下文中是什么意思?第二个(可能相关的)。,你的最后一句话突然向我跳了过来(“根据numpy,行和列向量有两个维度”)。这与你之前的stmt冲突(“你必须给行或列向量第二个维度”).你能澄清一下吗?我已经将你的ans与最近的一个问题联系起来。@fountainhead我试图澄清答案,但我假设你对线性代数有一些基本的了解!
>>>f=b.dot(c)
>>>f
array([ 5, 14, 23])
>>>g=c.dot(b)
>>>g
array([15, 18, 21])
>>>c.shape=(3,1)
>>>c.dot(a)
array([0,0,0]
[0,1,2]
[0,2,4])
>>>h=c.dot(b)
ValueError: shapes (3,1) and (3,3) not aligned: 1 (dim 1) != 3 (dim 0)
>>>c.shape=(1,3)
>>>i=c.dot(b)
>>>i
array([[15, 18, 21]])