知识卡片

普通读书笔记卡 · 6359

矩阵乘法不同于逐元素乘法

理解等级:中级

二维数组的*对应逐元素相乘,dot按矩阵乘法汇合左矩阵列与右矩阵行。书中(2,3)乘(3,2)得到(2,2),内侧维度必须匹配;与合适的一维向量相乘则得到一维结果。相同的乘号直觉不能跨语言直接套用;先确定需要逐元素还是线性变换。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 2 处

    • · 查看原书依据

      x.dot(y) # 相当于np.dot(x, y) Out[198]: array([[ 28., 64.], [ 67., 181.]]) 一个二维数组跟一个大小合适的一维数组的矩阵点积运算之后将会得到一个一维数组: In [199]: np.dot(x, np.ones(3)) Out[199]: array([ 6., 15.]) numpy.lin

    • · 查看原书依据

      星号(*)的乘法直接就是矩阵乘法。上面那些运算用numpy.matrix来编写的话,应该是下面这个样子: In [210]: Xm = np.matrix(X) In [211]: ym = Xm[:, 0] In [212]: Xm Out[212]: matrix([[ 8.8277, 3.8222, -1.1428, 2.0441], [ 3.8222

    参考来源

    - 位置:《利用Python进行数据分析》第4章《线性代数》(spine276;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0262.html;u099-ch04-039)。 - 结论依据:原文在“x.dot(y)”附近的定义、例子或代码支撑本卡核心说明:二维数组的*对应逐元素相乘,dot按矩阵乘法汇合左矩阵列与右矩阵行。边界按已读前提解释;示例未执行。 - 原始内容:x.dot(y) # 相当于np.dot(x, y) Out[198]: array([[ 28., 64.], [ 67., 181.]]) 一个二维数组跟一个大小合适的一维数组的矩阵点积运算之后将会得到一个一维数组: In [199]: np.dot(x, np.ones(3)) Out[199]: array([ 6., 15.]) numpy.lin - 位置:《利用Python进行数据分析》第12章《NumPy的matrix类》(spine328;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0314.html;u286-ch04-039)。 - 结论依据:ndarray的*为逐元素乘,旧matrix的*为矩阵乘;相同文本表达式换容器可能改变计算。现代官方不再推荐matrix,即便线性代数也应明确运算与形状,不能用容器转换掩盖差异。 - 原始内容:星号(*)的乘法直接就是矩阵乘法。上面那些运算用numpy.matrix来编写的话,应该是下面这个样子: In [210]: Xm = np.matrix(X) In [211]: ym = Xm[:, 0] In [212]: Xm Out[212]: matrix([[ 8.8277, 3.8222, -1.1428, 2.0441], [ 3.8222