numpy.ma.innerproduct#
- ma.innerproduct(a, b, /)[source]#
两个数组的内积。
对于一维数组,它是向量的普通内积(不进行复共轭),在更高维度上,它是沿着最后一个轴的求和积。
- 参数:
- a, barray_like
如果 a 和 b 不是标量,则它们的最后一个维度必须匹配。
- 返回值:
- outndarray
如果 a 和 b 都是标量或都是一维数组,则返回一个标量;否则返回一个数组。
out.shape = (*a.shape[:-1], *b.shape[:-1])
- 引发:
- ValueError
如果 a 和 b 都不是标量,并且它们的最后一个维度的尺寸不同。
备注
掩码值将被替换为 0。
对于向量(一维数组),它计算普通的内积
np.inner(a, b) = sum(a[:]*b[:])
更一般地,如果
ndim(a) = r > 0
和ndim(b) = s > 0
np.inner(a, b) = np.tensordot(a, b, axes=(-1,-1))
或明确地
np.inner(a, b)[i0,...,ir-2,j0,...,js-2] = sum(a[i0,...,ir-2,:]*b[j0,...,js-2,:])
此外, a 或 b 可以是标量,在这种情况下
np.inner(a,b) = a*b
示例
向量的普通内积
>>> import numpy as np >>> a = np.array([1,2,3]) >>> b = np.array([0,1,0]) >>> np.inner(a, b) 2
一些多维示例
>>> a = np.arange(24).reshape((2,3,4)) >>> b = np.arange(4) >>> c = np.inner(a, b) >>> c.shape (2, 3) >>> c array([[ 14, 38, 62], [ 86, 110, 134]])
>>> a = np.arange(2).reshape((1,1,2)) >>> b = np.arange(6).reshape((3,2)) >>> c = np.inner(a, b) >>> c.shape (1, 1, 3) >>> c array([[[1, 3, 5]]])
b 是标量的情况
>>> np.inner(np.eye(2), 7) array([[7., 0.], [0., 7.]])