Python numpy matmul用法及代码示例

本文简要介绍 python 语言中 numpy.matmul 的用法。

用法:

numpy.matmul(x1, x2, /, out=None, *, casting='same_kind', order='K', dtype=None, subok=True [, signature, extobj, axes, axis ]) = <ufunc 'matmul'>

两个数组的矩阵乘积。

参数：

x1, x2： array_like

输入数组，不允许使用标量。

out： ndarray，可选

存储结果的位置。如果提供，它必须具有与签名 (n,k),(k,m)->(n,m) 匹配的形状。如果未提供或 None，则返回一个新分配的数组。

**kwargs：

对于其他仅关键字参数，请参阅 ufunc 文档。

返回：

y： ndarray

输入的矩阵乘积。仅当 x1、x2 都是一维向量时，这才是标量。

抛出：

ValueError

如果 x1 的最后一个维度与 x2 的倒数第二个维度的大小不同。

如果传入一个标量值。

注意：

行为取决于以下方式的参数。

• 如果两个参数都是二维的，它们会像传统矩阵一样相乘。

• 如果任一参数是N-D，N > 2，则将其视为驻留在最后两个索引中的矩阵堆栈并相应地广播。

• 如果第一个参数是一维的，则通过在其维度前添加 1 将其提升为矩阵。在矩阵乘法之后，前面的 1 被删除。

• 如果第二个参数是一维的，则通过在其维度上附加 1 将其提升为矩阵。在矩阵乘法之后，附加的 1 被删除。

matmul 在两个重要方面不同于 dot：

• 不允许使用标量乘法，请改用*。

• 矩阵堆栈一起广播，就好像矩阵是元素一样，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 中引入的运算符公众号 465.

例子：

对于二维数组，它是矩阵乘积：

>>> 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 2-D 与 1-D 混合，结果是通常的。

>>> 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])

广播对于数组堆栈是常规的

>>> 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，但两个参数都不是complex-conjugated：

>>> 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 ...

@ 运算符可用作 ndarray 上 np.matmul 的简写。

>>> x1 = np.array([2j, 3j])
>>> x2 = np.array([2j, 3j])
>>> x1 @ x2
(-13+0j)