企业培训,惠州seo工作室,兰州网络科技公司有哪些,电子商务seo名词解释标量与矩阵的运算:加法#xff1a;values [1,2,3,4,5]values np.array(values) 5#现在 values 是包含 [6,7,8,9,10] 的一个 ndarray乘法#xff1a;x np.multiply(some_array, 5)x some_array * 5矩阵与矩阵的运算:加法#xff1a;对应元素相加#xff0c;但形状必须相…标量与矩阵的运算:加法values [1,2,3,4,5]values np.array(values) 5#现在 values 是包含 [6,7,8,9,10] 的一个 ndarray乘法x np.multiply(some_array, 5)x some_array * 5矩阵与矩阵的运算:加法对应元素相加但形状必须相同形状不同则会报错a np.array([[1,3],[5,7]])# array([[1, 3],# [5, 7]])b np.array([[2,4],[6,8]])# array([[2, 4],# [6, 8]])a b# array([[ 3, 7],# [11, 15]])乘法(叉乘)对应元素相乘如上a *b 或者 np.multiply(a,b)都得到# [[ 2 12]# [30 56]]乘法(点乘)大多数情况下所说的矩阵乘法都是指这个点乘可以是不同形状的矩阵相乘但必须满足“内侧相同”原则m行n列矩阵乘以n行p列矩阵等于m行p列的矩阵如a np.array([[1,2,3,4],[5,6,7,8]])a# 显示以下结果# array([[1, 2, 3, 4],# [5, 6, 7, 8]])a.shape# 显示以下结果# (2, 4)b np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])b# 显示以下结果# array([[ 1, 2, 3],# [ 4, 5, 6],# [ 7, 8, 9],# [10, 11, 12]])b.shape# 显示以下结果# (4, 3)c np.matmul(a, b)c# 显示以下结果# array([[ 70, 80, 90],# [158, 184, 210]])c.shape# 显示以下结果# (2, 3)如果你的矩阵具有不兼容的形状则会出现以下错误np.matmul(b, a)# 显示以下错误# ValueError: shapes (4,3) and (2,4) not aligned: 3 (dim 1) ! 2 (dim 0)有时候在你以为要用 matmul 函数的地方你可能会看到 NumPy 的 如果矩阵是二维的那么 dot 和 matmul 函数的结果是相同的a np.array([[1,2],[3,4]])a# 显示以下结果# array([[1, 2],# [3, 4]])np.dot(a,a)# 显示以下结果# array([[ 7, 10],# [15, 22]])a.dot(a) # you can call你可以直接对 ndarray 调用 dot# 显示以下结果# array([[ 7, 10],# [15, 22]])np.matmul(a,a)# array([[ 7, 10],# [15, 22]])虽然这两个函数对于二维数据返回相同的结果但在用于其他数据形状时应该谨慎选择
