numpy.linalg.matmul#

linalg.matmul(x1, x2, /)[源代码]#

计算矩阵乘积。

与 numpy.matmul 相反，此函数与 Array API 兼容。

参数:

x1array_like: 第一个输入数组。
x2array_like: 第二个输入数组。

返回:

outndarray: 输入的矩阵乘积。仅当 x1 和 x2 均为 1 维向量时，它才是标量。

抛出:

ValueError

如果 x1 的最后一个维度与 x2 的倒数第二个维度大小不相同。

如果传入标量值。

另请参见

numpy.matmul

示例

对于 2 维数组，它是矩阵乘积

>>> a = np.array([[1, 0],
...               [0, 1]])
>>> b = np.array([[4, 1],
...               [2, 2]])
>>> np.linalg.matmul(a, b)
array([[4, 1],
       [2, 2]])

对于 2 维和 1 维混合，结果是通常的乘法。

>>> a = np.array([[1, 0],
...               [0, 1]])
>>> b = np.array([1, 2])
>>> np.linalg.matmul(a, b)
array([1, 2])
>>> np.linalg.matmul(b, a)
array([1, 2])

广播对于数组堆栈是常规的

>>> a = np.arange(2 * 2 * 4).reshape((2, 2, 4))
>>> b = np.arange(2 * 2 * 4).reshape((2, 4, 2))
>>> np.linalg.matmul(a,b).shape
(2, 2, 2)
>>> np.linalg.matmul(a, b)[0, 1, 1]
98
>>> sum(a[0, 1, :] * b[0 , :, 1])
98

向量和向量返回标量内积，但两个参数都不是复共轭

>>> np.linalg.matmul([2j, 3j], [2j, 3j])
(-13+0j)

标量乘法会引发错误。

>>> np.linalg.matmul([1,2], 3)
Traceback (most recent call last):
...
ValueError: matmul: Input operand 1 does not have enough dimensions ...