numpy矩阵向量乘法

numpy矩阵向量乘法 最简单的解决方案

使用

numpy.dot

或

a.dot(b)

。请参阅此处的文档。

>>> a = np.array([[ 5, 1 ,3],        [ 1, 1 ,1],        [ 1, 2 ,1]])>>> b = np.array([1, 2, 3])>>> print a.dot(b)array([16, 6, 8])

发生这种情况是因为numpy数组不是矩阵，并且标准 *** 作

*, +, -,/

在数组上逐个元素地工作。相反，您可以尝试使用

numpy.matrix

，

*

并将其视为矩阵乘法。

---

其他解决方案

也知道还有其他选择：

• 如下所述，如果使用python3.5 +，该

  @

  运算符将按您的预期工作：

  >>> print(a @ b)

  array([16, 6, 8])

• 如果要过度杀伤，可以使用

  numpy.einsum

  。该文档将为您提供它的工作原理，但老实说，直到阅读此答案并自己玩弄它之前，我还不完全了解如何使用它。

  >>> np.einsum('ji,i->j', a, b)

  array([16, 6, 8])

• 截至2016年中（numpy 1.10.1），您可以尝试一下实验性

  numpy.matmul

  ，它的工作原理

  numpy.dot

  与以下两个主要例外相同：无标量乘法，但可用于矩阵堆栈。

  >>> np.matmul(a, b)

  array([16, 6, 8])

• numpy.inner

  功能相同的方式

  numpy.dot

  对矩阵-向量乘法但表现不同 矩阵基质和张量乘法（参见维基百科关于之间的差异的内积和点积在一般或看到该SO答案关于numpy的的实现）。

  >>> np.inner(a, b)

  array([16, 6, 8])

  Beware using for matrix-matrix multiplication though!

  b = a.T
  np.dot(a, b)
  array([[35, 9, 10],
  [ 9, 3, 4],
  [10, 4, 6]])
  np.inner(a, b)
  array([[29, 12, 19],
  [ 7, 4, 5],
  [ 8, 5, 6]])
  
  

---

边缘案例的较难选项

• 如果有张量（维数大于或等于1的数组），则可以使用

  numpy.tensordot

  可选参数

  axes=1

  ：

  >>> np.tensordot(a, b, axes=1)

  array([16, 6, 8])

• numpy.vdot

  如果您有复数矩阵，请 不要使用 ，因为该矩阵将被展平为一维数组，然后它将尝试在展平的矩阵和向量之间找到复杂的共轭点积（由于大小不匹配而失败）

  n*m

  vs

  n

  ）。