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,其形状必须与签名 (n,k),(k,m)->(n,m) 匹配。如果不提供或为 None,则返回一个新分配的数组。
- **kwargs
对于其他仅限关键字的参数,请参阅 ufunc 文档。
版本 1.16 中的新内容: 现在处理 ufunc 关键字参数
- 返回值:
- yndarray
输入的矩阵乘积。仅当 x1、x2 都是一维向量时,此结果才是标量。
- 引发:
- ValueError
如果 x1 的最后维度与 x2 的倒数第二个维度大小不相同。
如果传入标量值。
注释
行为取决于参数,方式如下。
如果两个参数都是二维的,则像传统的矩阵一样相乘。
如果任一参数是 N 维的,N > 2,则将其视为位于最后两个索引中的矩阵堆栈,并相应地进行广播。
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,移除前置的 1。
如果第二个参数是一维的,则通过在其维度后附加 1 来将其提升为矩阵。矩阵乘法后,移除附加的 1。
matmul
在两个重要方面与dot
不同不允许与标量相乘,请改用
*
。矩阵堆栈一起广播,就像矩阵是元素一样,尊重签名
(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 Python 3.5 中引入的
@
运算符的语义,遵循 PEP 465。它尽可能地使用优化的 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,结果是通常的结果。
>>> 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])
数组堆栈的广播是传统的
>>> 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、向量返回标量内积,但任何一个参数都不进行复共轭
>>> 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 ...
@
运算符可以用作 ndarray 上np.matmul
的简写。>>> x1 = np.array([2j, 3j]) >>> x2 = np.array([2j, 3j]) >>> x1 @ x2 (-13+0j)
版本 1.10.0 中的新内容。