python深度学习基于pytorch——array(）、multiply（）以及dot

         np.multiply 函数用于数组或矩阵对应元素相乘，输出与相乘数组或矩阵的大小一致，其格式如下:

numpy.multiply(x1, x2, /, out=None, *, where=True,casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj])

         其中x1，x2之间的对应元素相乘遵守广播规则，NumPy的广播规则本章第7小节将介绍。以下我们通过一些示例来进一步说明。

#coco
#矩阵的对应相乘和点积运算的使用方法
import numpy as np
#np.array函数的作用为可以把列表中数据转换为矩阵或者向量，用于创建一个组
#numpy运算的所⽤的数据结构叫做ndarray，也叫做数组（array）），
# np.array()这个⽅法，在括号中填写参数，注意这个参数的类型是列表（list），可以直接填写⽅括号括起来的列表，
#   也可以把列表存在⼀个数组变量中，然后通过np.array⽅法赋值给数组变量即可，我们通过以下代码进⾏演⽰：

A = np.array([[1, 2], [-1, 4]])
B = np.array([[2, 0], [3, 4]])
c=A*B
print(c)
##结果如下：
# array([[ 2,  0],
#        [-3, 16]])
#或另一种表示方法
np.multiply(A,B)
#运算结果也是
# array([[ 2,  0],
#        [-3, 16]])
'''-------------------------------------------------------------------------------------------------'''
#可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1
#可以看出，数组通过一些激活函数后，输出与输入形状一致。
X = np.random.rand(2, 3)
print('X',X)
def softmoid(x):
    return 1 / (1 + np.exp(-x))
def relu(x):
    return np.maximum(0, x)
def softmax(x):
    return np.exp(x) / np.sum(np.exp(x))
print("输入参数X的形状：", X.shape)
print("激活函数softmoid输出形状：", softmoid(X).shape)
print("激活函数relu输出形状：", relu(X).shape)
print("激活函数softmax输出形状：", softmax(X).shape)

        点积运算（dot product）又称为内积，在NumPy用np.dot表示，其一般格式为：

numpy.dot(a, b, out=None)

   例如：

X1=np.array([[1,2],[3,4]])
X2=np.array([[5,6,7],[8,9,10]])
X3=np.dot(X1,X2)
print(X3)

点积运算原理：