np.dot是否会自动转置向量？

np.dot是否会自动转置向量？ 的语义

np.dot

不是很好

正如多米尼克·保罗（Dominique
Paul）所指出的那样，

np.dot

根据输入的形状，它们的行为非常不同。正如OP在他的问题中指出的那样，给人带来的困惑是，它

weights

是一维数组，

np.array_equal(weights,weights.T)

即

True

（

array_equal

测试值和形状是否相等）。

建议：使用

np.matmul

或同等

@

替代

如果您是刚开始使用Numpy的人，我对您的建议是

np.dot

完全放弃。根本不要在代码中使用它。而是使用

np.matmul

或等效运算符

@

。的行为

@

比的行为更可预测

np.dot

，同时仍易于使用。例如，对于

1D

代码中的两个数组，您将获得相同的点积，如下所示：

returns = expected_returns_annual @ weights

您可以向自己证明，它给出的答案

np.dot

与此相同

assert

：

assert expected_returns_annual @ weights == expected_returns_annual.dot(weights)

从概念上讲，

@

通过将两个

1D

数组提升为适当的

2D

数组来处理这种情况（尽管实现不一定要这样做）。例如，如果您具有

x

with

(N,)

和

y

shape

(M,)

，则如果使用，则会

x @ y

将形状提升为：

x.shape == (1, N)y.shape == (M, 1)

matmul

/的完整行为

@

这是文档关于

matmul

/

@

和输入/输出形状的说明：

• 如果两个参数都是二维的，它们将像常规矩阵一样相乘。
• 如果任一自变量的值为ND，N> 2，则将其视为驻留在最后两个索引中的矩阵的堆栈，并进行相应广播。
• 如果第一个参数是1-D，则通过在其尺寸前面加1来将其提升为矩阵。矩阵相乘后，除去前面的1。
• 如果第二个参数是1-D，则通过在其维数后附加1来将其提升为矩阵。矩阵相乘后，将附加的1删除。
  
  

注意：使用

@

over的参数

dot

作为hpaulj的评论，指出

np.array_equal(x.dot(y), x @y)

所有

x

和

y

那些

1D

或

2D

阵列。那么，为什么我（以及您为什么要）更喜欢

@

？我认为使用的最佳论据

@

是它有助于以小而有意义的方式改进您的代码：

• @

  明确地是矩阵乘法运算符。

  x @ y

  如果

  y

  是标量，将产生错误，而

  dot

  将假设您实际上只是想要元素乘法。这可能会导致难以定位的错误，在该错误中

  dot

  默默地返回垃圾结果（我亲自遇到了该错误）。因此，

  @

  允许您明确说明自己对代码行行为的意图。

• 因为

  @

  是运算符，所以它具有一些不错的简短语法，用于将各种序列类型强制转换为数组，而不必显式转换它们。例如，

  [0,1,2] @ np.arange(3)

  有效语法。
  • 公平地说，虽然

    [0,1,2].dot(arr)

    显然无效，

    np.dot([0,1,2], arr)

    但是有效（尽管比使用更加冗长

    @

    ）。
  • 当确实需要扩展代码以处理许多矩阵乘法而不是仅处理一次时，这种

    ND

    情况

    @

    在概念上是小写的简单直观的泛化/向量化

    D

    。