標量與矩陣的運算:

加法：

values = [1,2,3,4,5]

values = np.array(values) + 5

#現在 values 是包含 [6,7,8,9,10] 的一個 ndarray

乘法：

x = np.multiply(some_array, 5)

x = some_array * 5

矩陣與矩陣的運算:

加法：對應元素相加，但形狀必須相同，形狀不同則會報錯

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)：對應元素相乘

如上a *b 或者 np.multiply(a,b)都得到

# [[ 2 12]

# [30 56]]

乘法(點乘)：大多數情況下所說的矩陣乘法都是指這個點乘

可以是不同形狀的矩陣相乘，但必須滿足“內側相同”原則

m行n列矩陣乘以n行p列矩陣，等于m行p列的矩陣

如：

a = np.array([[1,2,3,4],[5,6,7,8]])

a

# 顯示以下結果：

# array([[1, 2, 3, 4],

# [5, 6, 7, 8]])

a.shape

# 顯示以下結果：

# (2, 4)

b = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])

b

# 顯示以下結果：

# array([[ 1, 2, 3],

# [ 4, 5, 6],

# [ 7, 8, 9],

# [10, 11, 12]])

b.shape

# 顯示以下結果：

# (4, 3)

c = np.matmul(a, b)

c

# 顯示以下結果：

# array([[ 70, 80, 90],

# [158, 184, 210]])

c.shape

# 顯示以下結果：

# (2, 3)

如果你的矩陣具有不兼容的形狀，則會出現以下錯誤：

np.matmul(b, a)

# 顯示以下錯誤：

# ValueError: shapes (4,3) and (2,4) not aligned: 3 (dim 1) != 2 (dim 0)

有時候，在你以為要用 matmul 函數的地方，你可能會看到 NumPy 的 如果矩陣是二維的，那么 dot 和 matmul 函數的結果是相同的

a = np.array([[1,2],[3,4]])

a

# 顯示以下結果：

# array([[1, 2],

# [3, 4]])

np.dot(a,a)

# 顯示以下結果：

# array([[ 7, 10],

# [15, 22]])

a.dot(a) # you can call你可以直接對 `ndarray` 調用 `dot`

# 顯示以下結果：

# array([[ 7, 10],

# [15, 22]])

np.matmul(a,a)

# array([[ 7, 10],

# [15, 22]])

雖然這兩個函數對于二維數據返回相同的結果，但在用于其他數據形狀時，應該謹慎選擇

總結

以上是生活随笔為你收集整理的python 矩阵元素相加_Numpy中元素级运算的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。