numpy里*与dot与multiply
一、* , dot() multiply()
1, 对于array来说,(* 和 dot()运算不同, * 和 multiply()运算相同)
*和multiply() 是每个元素对应相乘
dot() 是矩阵乘法
2, 对于matrix来说,(* 和 multiply()运算不同,* 和 dot()运算相同)
* 和dot() 是矩阵乘法
multiply() 是每个元素对应相乘
3, 混合的时候(与矩阵同)
multiply 为对应乘
dot为矩阵乘法(矩阵在前数组在后时,均为一维时数组可适应,即能做矩阵乘法)
*为 矩阵乘法(但无上述适应性)
总结:dot为矩阵乘法;multiply是对应乘;* 看元素,元素为矩阵(包括含矩阵)时为矩阵乘法,元素为数组时为对应乘法
Python 3.6.4 (default, Jan 7 2018, 03:52:16)
[GCC 4.2.1 Compatible Android Clang 5.0.300080 ] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import numpy as np
>>> a1=np.array([1,2,3])
>>> a1*a1
array([1, 4, 9])
>>> np.dot(a1,a1)
14
>>> np.multiply(a1,a1)
array([1, 4, 9])
>>> m1 = np.mat(a1)
>>> m1
matrix([[1, 2, 3]])
>>> m1*m1
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/data/data/com.termux/files/usr/lib/python3.6/site-packages/numpy-1.13.3-py3.6-linux-aarch64.egg/numpy/matrixlib/defmatrix.py", line 309, in __mul__
return N.dot(self, asmatrix(other))
ValueError: shapes (1,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0)
>>> np.dot(m1,m1)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: shapes (1,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0)
>>> np.multiply(m1,m1)
matrix([[1, 4, 9]])
>>> np.multiply(a1,m1)
matrix([[1, 4, 9]])
>>> np.multiply(m1,a1)
matrix([[1, 4, 9]])
>>> np.dot(a1,m1)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: shapes (3,) and (1,3) not aligned: 3 (dim 0) != 1 (dim 0)
>>> np.dot(m1,a1)
matrix([[14]])
>>> a1*m1
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/data/data/com.termux/files/usr/lib/python3.6/site-packages/numpy-1.13.3-py3.6-linux-aarch64.egg/numpy/matrixlib/defmatrix.py", line 315, in __rmul__
return N.dot(other, self)
ValueError: shapes (3,) and (1,3) not aligned: 3 (dim 0) != 1 (dim 0)
>>> m1*a1
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/data/data/com.termux/files/usr/lib/python3.6/site-packages/numpy-1.13.3-py3.6-linux-aarch64.egg/numpy/matrixlib/defmatrix.py", line 309, in __mul__
return N.dot(self, asmatrix(other))
ValueError: shapes (1,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0)
>>> a1,m1
(array([1, 2, 3]), matrix([[1, 2, 3]]))
>>>
-------------------------------------------------------------------
当array是二维时,我们可以把它看做是矩阵(但是乘法的法则还是按照array来算)
In [45]: a_x
Out[45]:
array([[1, 2, 3],
[2, 4, 0],
[1, 2, 1]])
In [46]: a_y
Out[46]: array([[-1, 1, -1]])
先看dot
# 这时用dot做矩阵乘法要注意:满足左边的列数等于右边的行数
In [47]: np.dot(a_x,a_y)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-47-3b884e90b0ef> in <module>()
----> 1 np.dot(a_x,a_y)
ValueError: shapes (3,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0)
In [48]: np.dot(a_y,a_x)
Out[48]: array([[ 0, 0, -4]])
# 当左边的变为一维的数组时,结果还是一个二维的数组(矩阵形式)
In [49]: a_y_ = a_y.flatten()
In [50]: a_y_
Out[50]: array([-1, 1, -1])
然后还有一点很重要 np.dot(a_y_,a_y_) 可以将两个一维的数组(这时没有行列向量之说,从转置后还为本身也可以看出)直接做内积
In [109]: np.dot(a_y_,a_y_)
Out[109]: 3
In [51]: np.dot(a_y,a_x)
Out[51]: array([[ 0, 0, -4]])
再看multiply(与*的效果一致):
In [52]: a_y
Out[52]: array([[-1, 1, -1]])
In [53]: a_y_
Out[53]: array([-1, 1, -1])
In [54]: np.multiply(a_y,a_y_)
Out[54]: array([[1, 1, 1]])
In [55]: np.multiply(a_y_,a_y)
Out[55]: array([[1, 1, 1]])
得到结论:都是以高维的那个元素决定结果的维度。(重要)
In [56]: np.multiply(a_y_,a_y_.T) # 在a_y_是一维的行向量,a_y_ = a_y_.T,所以结果一样
Out[56]: array([1, 1, 1])
In [57]: np.multiply(a_y_,a_y.T) # a_y 是二维的行向量,转置一下就变成二维的列向量
Out[57]:
array([[ 1, -1, 1],
[-1, 1, -1],
[ 1, -1, 1]])
In [58]: np.multiply(a_y,a_y.T) # 与上述效果相同
Out[58]:
array([[ 1, -1, 1],
[-1, 1, -1],
[ 1, -1, 1]])
上面两个就是下面这俩对应元素相乘!
In [59]: a_y
Out[59]: array([[-1, 1, -1]])
In [60]: a_y.T
Out[60]:
array([[-1],
[ 1],
[-1]])
与下面这种张量积效果相同
In [61]: np.outer(a_y,a_y)
Out[61]:
array([[ 1, -1, 1],
[-1, 1, -1],
[ 1, -1, 1]])
In [62]: np.outer(a_y,a_y.T) # 这时用不用转置的效果都一样
Out[62]:
array([[ 1, -1, 1],
[-1, 1, -1],
[ 1, -1, 1]])
In [63]: np.outer(a_y_,a_y_) # 两个一维的行向量外积的效果也一样
Out[63]:
array([[ 1, -1, 1],
[-1, 1, -1],
[ 1, -1, 1]])
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
下面看一下 .T 和 .transpose()
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
在小于等于二维的情况下,两者效果是相同的!
In [64]: x
Out[64]:
matrix([[1, 2, 3],
[2, 4, 0],
[1, 2, 1]])
In [65]: a_x
Out[65]:
array([[1, 2, 3],
[2, 4, 0],
[1, 2, 1]])
In [68]: (x.T == x.transpose()).all() # 为矩阵时相同
Out[68]: True
In [70]: (a_x.T == a_x.transpose()).all() # 为数组时相同
Out[70]: True
In [71]: (a_y.T == a_y.transpose()).all() # a_y为一维数组(行向量)相同
Out[71]: True
In [72]: (a_y_.T == a_y_.transpose()).all() # a_y_为二维数组(行向量)也相同
Out[72]: True
下面才是两种区别的重点:
当维数大于等于三时(此时只有数组了),
T 其实就是把顺序全部颠倒过来,
而transpose(), 里面可以指定顺序,输入为一个元组(x0,x1,x2...x(n-1) )为(0,1,2,...,n-1)的一个排列,其中n为数组维数,
效果与np.transpose(arr, axes=(x0,x1,x2...x(n-1)) ) 相同,
def transpose(self, *axes): # real signature unknown; restored from __doc__
"""
a.transpose(*axes) Returns a view of the array with axes transposed. For a 1-D array, this has no effect. (To change between column and
row vectors, first cast the 1-D array into a matrix object.)
For a 2-D array, this is the usual matrix transpose.
For an n-D array, if axes are given, their order indicates how the
axes are permuted (see Examples). If axes are not provided and
``a.shape = (i[0], i[1], ... i[n-2], i[n-1])``, then
``a.transpose().shape = (i[n-1], i[n-2], ... i[1], i[0])``. Parameters
----------
axes : None, tuple of ints, or `n` ints * None or no argument: reverses the order of the axes. * tuple of ints: `i` in the `j`-th place in the tuple means `a`'s
`i`-th axis becomes `a.transpose()`'s `j`-th axis. * `n` ints: same as an n-tuple of the same ints (this form is
intended simply as a "convenience" alternative to the tuple form) Returns
-------
out : ndarray
View of `a`, with axes suitably permuted. See Also
--------
ndarray.T : Array property returning the array transposed. Examples
--------
>>> a = np.array([[1, 2], [3, 4]])
>>> a
array([[1, 2],
[3, 4]])
>>> a.transpose()
array([[1, 3],
[2, 4]])
>>> a.transpose((1, 0))
array([[1, 3],
[2, 4]])
>>> a.transpose(1, 0)
array([[1, 3],
[2, 4]])
"""
pass
这两者的源代码还是又挺大区别的,虽然意思差不多
def transpose(a, axes=None):
"""
Permute the dimensions of an array.
Parameters
----------
a : array_like
Input array.
axes : list of ints, optional
By default, reverse the dimensions, otherwise permute the axes
according to the values given.
Returns
-------
p : ndarray
`a` with its axes permuted. A view is returned whenever
possible.
See Also
--------
moveaxis
argsort
Notes
-----
Use `transpose(a, argsort(axes))` to invert the transposition of tensors
when using the `axes` keyword argument.
Transposing a 1-D array returns an unchanged view of the original array.
Examples
--------
>>> x = np.arange(4).reshape((2,2))
>>> x
array([[0, 1],
[2, 3]])
>>> np.transpose(x)
array([[0, 2],
[1, 3]])
>>> x = np.ones((1, 2, 3))
>>> np.transpose(x, (1, 0, 2)).shape
(2, 1, 3)
"""
return _wrapfunc(a, 'transpose', axes)
还是看实验吧:
In [73]: arr=np.arange(16).reshape(2,2,4)
In [74]: arr
Out[74]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
In [75]: arr.transpose((1,0,2)) # 注意这个参数不带key,不能写axes=(1,0,2),若写成这个,则报错
Out[75]:
array([[[ 0, 1, 2, 3],
[ 8, 9, 10, 11]],
[[ 4, 5, 6, 7],
[12, 13, 14, 15]]])
In [78]: np.transpose(arr, (1, 0, 2)) #这个参数可带key,刻写成axes=(1,0,2),若写成这个,则通过
Out[78]:
array([[[ 0, 1, 2, 3],
[ 8, 9, 10, 11]],
[[ 4, 5, 6, 7],
[12, 13, 14, 15]]])
三个维度的编号对应为(0,1,2),比如这样,我们需要拿到7这个数字,怎么办,肯定需要些三个维度的值,7的第一个维度为0,第二个维度为1,第三个3,
即坐标轴(0,1,2)的对应的坐标为(0,1,3)所以arr[0,1,3]则拿到了7
所以相当于把原来坐标轴[0,1,2]的转置到[1,0,2],即把之前第三个维度转为第一个维度,之前的第二个维度不变,之前的第一个维度变为第三个维度
理解了上面,再来理解swapaxes()就很简单了,swapaxes接受一对轴编号,其实这里我们叫一对维度编号更好吧
arr.swapaxes(2,1) 就是将第三个维度和第二个维度交换
注意这个函数必须接受两个参数,(两个轴),不能写成元组(2,1)的形式再传入。
In [81]: arr.swapaxes(2,1)
Out[81]:
array([[[ 0, 4],
[ 1, 5],
[ 2, 6],
[ 3, 7]],
[[ 8, 12],
[ 9, 13],
[10, 14],
[11, 15]]])
In [82]: arr.swapaxes((2,1))
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-82-24459d1e2980> in <module>()
----> 1 arr.swapaxes((2,1))
TypeError: swapaxes() takes exactly 2 arguments (1 given)
还是那我们的数字7来说,之前的索引是(0,1,3),那么交换之后,就应该是(0,3,1)
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
numpy里*与dot与multiply的更多相关文章
- python numPy模块 与numpy里的数据类型、数据类型对象dtype
学习链接:http://www.runoob.com/numpy/numpy-tutorial.html 官方链接:https://numpy.org/devdocs/user/quickstart. ...
- numpy:dot与multiply
http://blog.csdn.net/iamzhangzhuping/article/details/52370241
- Python 中的几种矩阵乘法 np.dot, np.multiply, *【转】
本文转载自:https://blog.csdn.net/u012609509/article/details/70230204 Python中的几种矩阵乘法1. 同线性代数中矩阵乘法的定义: np.d ...
- Python 中的几种矩阵乘法 np.dot, np.multiply, *
使用array时,运算符 * 用于计算数量积(点乘),函数 dot() 用于计算矢量积(叉乘).使用matrix时,运算符 * 用于计算矢量积,函数 multiply() 用于计算数量积. 下面是使用 ...
- numpy里的randn
这个函数的作用就是从标准正态分布中返回一个或多个样本值.什么是标准正态分布 来源:http://www.360doc.com/content/17/0306/13/32342759_634411464 ...
- Numpy 里线性代数函数
c
- Numpy基础总结
一.文件读取 numpy.genfromtxt() 可以用来读取各种文件.常用语法大致如下: numpy.genfromtxt(fname, dtype=<type 'float'>, d ...
- numpy中的matrix与array的区别
Numpy matrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的(1D,2D,3D····ND). Matrix是Array的一个小的分支,包含于Array ...
- Numpy 学习(一)
1.Numpy 中Matrices和arrays的区分 Numpy matrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的(1D,2D,3D····ND). ...
随机推荐
- 关东升的《iOS实战:图形图像、动画和多媒体卷(Swift版)》上市了
关东升的<iOS实战:图形图像.动画和多媒体卷(Swift版)>上市了 承蒙广大读者的厚爱我的<iOS实战:图形图像.动画和多媒体卷(Swift版)>京东上市了,欢迎广大读者提 ...
- Service Name Port Number Transport Protocol tcp udp 端口号16bit
https://en.wikipedia.org/wiki/Dynamic_Host_Configuration_Protocol The DHCP employs a connectionless ...
- mysql 5.7.18版本 sql_mode 问题
only_full_group_by 模式的,但开启这个模式后,原先的 group by 语句就报错,然后又把它移除了. only_full_group_by ,感觉,group by 将变成和 di ...
- 类加载器(ClassLoader)
1. 类加载器概述 1.1 类加载器的作用 把 .class 文件加载到 JVM 的方法区中,变成一个 Class 对象! 1.2 类加载器分类 类加载器也是一个类: ClassLoader; Jav ...
- ThinkPHP的join方法
两张表: 表一:pre_company_member 关联字段:comp_id 表二:pre_company 关联字段:comp_id 查询这两表中的数据. 方法一:驼峰法 $member=M('C ...
- python 时间模块小结
python有两个重要的时间模块,分别是time和datetime time模块 表示时间的几种方法 时间元组 time.struct_time( tm_year=2016, tm_mon=7, tm ...
- python多进程编程(二)
进程同步(锁) 进程之间数据不共享,但是共享同一套文件系统,所以访问同一个文件,或同一个打印终端,是没有问题的, 而共享带来的是竞争,竞争带来的结果就是错乱,如何控制,就是加锁处理 part1:多个进 ...
- matlab学习笔记之基础知识(一)
一.两种特殊数据类型 1.元胞数组 元胞数组是MATLAB的一种特殊数据类型,可以将元胞数组看做一种无所不包的通用矩阵,或者叫做广义矩阵.组成元胞数组的元素可以是任何一种数据类型的常数或者常量,每 ...
- MySQL 第三天
回顾 字段类型(列类型): 数值型, 时间日期型和字符串类型 数值型: 整型和小数型(浮点型和定点型) 时间日期型: datetime, date,time,timestamp, ye ...
- 003-centos搭建idea开发java
一.jdk安装 卸载openjdk 安装jdk 配置环境变量 二.下载idea 安装:http://www.cnblogs.com/bjlhx/p/6667291.html 三.配置git http: ...