numpy.matmul#
- numpy.matmul(x1, x2, /, out=None, *, casting='same_kind', order='K', dtype=None, subok=True[, signature, axes, axis]) = <ufunc 'matmul'>#
两个数组的矩阵乘积。
- 参数：
- x1, x2array_like
输入数组，不允许标量。
- outndarray, 可选
存储结果的位置。如果提供，它必须具有与签名 (n,k),(k,m)->(n,m) 匹配的形状。如果未提供或为 None，则返回新分配的数组。
- **kwargs
有关其他仅关键字参数，请参阅 ufunc 文档。
- 返回：
- yndarray
输入的矩阵乘积。仅当 x1、x2 都是一维向量时，这才是标量。
- 引发：
- ValueError
如果 x1 的最后一个维度与 x2 的倒数第二个维度大小不同。
如果传入标量值。
另请参阅
注意
行为方式取决于参数：
如果两个参数都是二维的，它们将像传统矩阵一样相乘。
如果任一参数是 N 维（N > 2），则将其视为位于最后两个索引中的矩阵堆栈并进行相应的广播。
如果第一个参数是一维的，则通过在其维度前添加 1 来将其提升为矩阵。矩阵乘法后，前缀的 1 将被移除。（对于向量堆栈，请使用
vecmat。）如果第二个参数是一维的，则通过在其维度后添加 1 来将其提升为矩阵。矩阵乘法后，附加的 1 将被移除。（对于向量堆栈，请使用
matvec。）
matmul与dot有两个重要的不同之处：不允许与标量相乘，请改用
*。矩阵堆栈会像元素一样一起广播，遵循签名
(n,k),(k,m)->(n,m)>>> 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
matmul 函数实现了 **PEP 465** 中定义的
@运算符的语义。它在可能的情况下使用优化的 BLAS 库（参见
numpy.linalg）。示例
对于二维数组，它是矩阵乘积
>>> import numpy as np >>> a = np.array([[1, 0], ... [0, 1]]) >>> b = np.array([[4, 1], ... [2, 2]]) >>> np.matmul(a, b) array([[4, 1], [2, 2]])
对于二维与一维混合，结果是常规的。
>>> a = np.array([[1, 0], ... [0, 1]]) >>> b = np.array([1, 2]) >>> np.matmul(a, b) array([1, 2]) >>> np.matmul(b, a) array([1, 2])
广播对于数组堆栈来说是常规的
>>> a = np.arange(2 * 2 * 4).reshape((2, 2, 4)) >>> b = np.arange(2 * 2 * 4).reshape((2, 4, 2)) >>> np.matmul(a,b).shape (2, 2, 2) >>> np.matmul(a, b)[0, 1, 1] 98 >>> sum(a[0, 1, :] * b[0 , :, 1]) 98
向量与向量返回标量内积，但两个参数都不是复共轭的
>>> np.matmul([2j, 3j], [2j, 3j]) (-13+0j)
标量乘法会引发错误。
>>> np.matmul([1,2], 3) Traceback (most recent call last): ... ValueError: matmul: Input operand 1 does not have enough dimensions ...
在 ndarray 上，
@运算符可以用作np.matmul的简写。>>> x1 = np.array([2j, 3j]) >>> x2 = np.array([2j, 3j]) >>> x1 @ x2 (-13+0j)