numpy.
dot
两个数组的点积。明确地,
如果两者 a 和 b 是一维数组,它是向量的内积(没有复杂的共轭)。
如果两者 a 和 b 是二维数组,它是矩阵乘法,但使用 matmul 或 a @ b 优先考虑。
matmul
a @ b
如果任一 a 或 b 为0-d(标量),相当于 multiply 并使用 numpy.multiply(a, b) 或 a * b 优先考虑。
multiply
numpy.multiply(a, b)
a * b
如果 a 是一个n-d数组,并且 b 是一维数组,它是最后一个轴上的和积 a 和 b .
如果 a 是一个n-d数组,并且 b 是M-D数组(其中 M>=2 )的最后一个轴的和积 a 第二个到最后一个轴 b ::
M>=2
dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])
第一个论点。
第二个论点。
输出参数。如果不使用的话,它必须具有返回的类型。特别是,它必须具有正确的类型,必须是C-连续的,并且它的dtype必须是将为返回的dtype dot(a,b) . 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。
返回的点积 a 和 b . 如果 a 和 b 如果是两个标量或两个一维数组,则返回一个标量;否则返回一个数组。如果 out 给出,然后返回。
如果的最后一个维度 a 与的第二个到最后一个维度的大小不同 b .
参见
vdot
复共轭点积。
tensordot
任意轴上的和积。
einsum
爱因斯坦求和约定。
“@”运算符作为带有out参数的方法。
linalg.multi_dot
链式点积。
实例
>>> np.dot(3, 4) 12
两个参数都不是复合共轭的:
>>> np.dot([2j, 3j], [2j, 3j]) (-13+0j)
对于二维数组,它是矩阵积:
>>> a = [[1, 0], [0, 1]] >>> b = [[4, 1], [2, 2]] >>> np.dot(a, b) array([[4, 1], [2, 2]])
>>> a = np.arange(3*4*5*6).reshape((3,4,5,6)) >>> b = np.arange(3*4*5*6)[::-1].reshape((5,4,6,3)) >>> np.dot(a, b)[2,3,2,1,2,2] 499128 >>> sum(a[2,3,2,:] * b[1,2,:,2]) 499128
numpy.linalg