我知道我可以使用.dot
语法使用numpy数组进行矩阵乘法。常规*
乘法进行逐元素乘法。
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]]
这很好用,但它与我所学过的所有矩阵运算相反(即“点积”通常是元素方式,而常规乘积通常是全矩阵乘法。)
所以我正在调查np.matrix
。好处是矩阵乘法使用*
运算符,但我要理解如何进行逐元素乘法。
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]]
我理解发生了什么 - numpy矩阵没有.dot
运算符,因此它落实到基础np.array
实现。但这是否意味着无法使用np.matrix
来计算点积?
这只是避免np.matrix
而是坚持使用np.array
的另一个论点吗?
答案 0 :(得分:2)
您可以使用multiply
函数进行元素乘法运算:
>>> np.multiply(m, m)
matrix([[ 1, 4],
[ 9, 16]])
np.multiply(a, a)
的结果相同。
名称dot
确实有些误导,但np.dot
的文档清楚地说:“对于二维数组,它等同于矩阵乘法”。严格来说,点积不是为矩阵定义的;元素乘法将是Frobenius inner product。
答案 1 :(得分:2)
np.dot
与向量的dot product
(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
被推广为使用2(和更高)维数组。
MATLAB从一开始就构建在2d矩阵上,矩阵乘积被视为最常见和最基本的乘法。所以.*
表示法用于元素乘法。 .
也可以与+
和其他运营商一起使用。
numpy
中的基本结构是n-d数组。由于这样的数组可以具有0,1,2或更多维度,因此数学运算符被设计为以元素方式工作。提供np.dot
来处理矩阵产品。有一个名为np.tensordot
的变体。 np.einsum
使用爱因斯坦符号(在物理学中很流行)。新的@
运算符会调用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,并且被添加以使numpy
对任性的MATLAB用户更为熟悉。像旧版本的MATLAB一样,它只能是2d。因此matrix
计算的结果将始终为2d(或标量)。它的使用通常是气馁的,但我相信它会存在很长时间。 (我使用的sparse
矩阵超过np.matrix
)。
添加@
运算符后,使用np.matrix
的理由就更少了。
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]])