带你一次搞懂点积(内积)、叉积(外积)
点积与叉积
- 1. 向量的点积与叉积
- 1.1 向量的点积
- 1.2 向量的叉积
- 2 矩阵的点积与叉积
- 2.1 矩阵的点积
- 2.2 矩阵的叉积
- 3. 元素积
- 4. 克罗内克积
1. 向量的点积与叉积
1.1 向量的点积
数量积又称标量积(Scalar product)、点积(Dot product),在欧几里得空间(Euclidean space)中称为内积(Inner product),对应元素相乘相加,结果是一个标量(即一个数)。
对于向量a⃗=(a1,a2),b⃗=(b1,b2)\vec{a}=\left( {{a}_{1}},{{a}_{2}} \right),\vec{b}=\left( {{b}_{1}},{{b}_{2}} \right)a=(a1,a2),b=(b1,b2),两者的数量积:a⃗⋅b⃗=a1b1+a2b2\vec{a}\cdot \vec{b}= {{a}_{1}}{{b}_{1}}+{{a}_{2}}{{b}_{2}}a⋅b=a1b1+a2b2 a⃗⋅b⃗\vec{a}\cdot \vec{b}a⋅b的几何意义是a⃗\vec{a}a在b⃗\vec{b}b方向上的投影(仅在二维、三维空间向量有意义):a⃗⋅b⃗=∣a⃗∣∗∣b⃗∣∗cosθ\vec{a}\cdot \vec{b}=\left| {\vec{a}} \right|* | {\vec{b}} | *cos\theta a⋅b=∣a∣∗∣b∣∗cosθ其中,∣a⃗∣\left| {\vec{a}} \right|∣a∣ 、∣b⃗∣|{\vec{b}}|∣b∣分别为向量a⃗\vec{a}a、b⃗\vec{b}b的模,θ\thetaθ为向量a⃗\vec{a}a、b⃗\vec{b}b的夹角。
对于 nnn维向量 a⃗=(a1,a1,...,an),b⃗=(b1,b2,...,bn)\vec{a}=\left( {{a}_{1}},{{a}_{1}},..., {{a}_{n}} \right)~,\vec{b}=\left( {{b}_{1}},{{b}_{2}} ,...,{{b}_{n}}\right)a=(a1,a1,...,an) ,b=(b1,b2,...,bn),两者的数量积:a⃗⋅b⃗=a1b1+a2b2+...+anbn\vec{a}\cdot \vec{b}= {{a}_{1}}{{b}_{1}}+{{a}_{2}}{{b}_{2}}+...+{{a}_{n}}{{b}_{n}} a⋅b=a1b1+a2b2+...+anbn
numpy中 使用
np.dot
或numpy.inner()
实现向量的点积
举例a⃗=(1,2,3)b⃗=(4,5,6)\vec{a} = (1,2,3) \;\;\;\; \vec{b} = (4,5,6)a=(1,2,3)b=(4,5,6)a⃗⋅b⃗=1×4+2×5+3×6=32\vec{a}\cdot \vec{b}= 1\times 4 + 2 \times 5 +3\times 6 = 32a⋅b=1×4+2×5+3×6=32
import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,6])
## 数量积 使用np.dot或np.inner
print(np.dot(a,b))
1.2 向量的叉积
向量积又称矢量积(Vector product)、叉积(Cross product)、外积(Outer product),结果是一个向量。
对于向量a⃗=(a1,a2,a3)b⃗=(b1,b2,b3)\vec{a}=\left( {{a}_{1}},{{a}_{2}}, {{a}_{3}} \right)~\vec{b}=\left( {{b}_{1}},{{b}_{2}} ,{{b}_{3}}\right)a=(a1,a2,a3) b=(b1,b2,b3),两者的叉积为a⃗\vec{a}a和b⃗\vec{b}b的法向量,该向量垂直于a⃗\vec{a}a和b⃗\vec{b}b构成的平面。a⃗×b⃗=∣ijka1a2a3b1b2b3∣=(a2b3−b2a3)i⃗−(a1b3−b1a3)j⃗+(a1b2−b1a2)k⃗\vec{a} \times \vec{b}= \begin{vmatrix}i & j & k \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \\ \end{vmatrix} = (a_2b_3-b_2a_3)\vec{i} - (a_1b_3-b_1a_3)\vec{j}+(a_1b_2-b_1a_2)\vec{k}a×b=∣∣ia1b1ja2b2ka3b3∣∣=(a2b3−b2a3)i−(a1b3−b1a3)j+(a1b2−b1a2)k其中,i,j,ki,j,ki,j,k分别是X,Y,ZX,Y,ZX,Y,Z轴方向的单位向量.
该向量的模∣a⃗×b⃗∣=∣a⃗∣∗∣b⃗∣∗sinθ|\vec{a} \times \vec{b}| =\left| {\vec{a}} \right|*| {\vec{b}} |*sin\theta ∣a×b∣=∣a∣∗∣b∣∗sinθ其中,∣a⃗∣\left| {\vec{a}} \right|∣a∣ 、∣b⃗∣|{\vec{b}}|∣b∣分别为向量a⃗\vec{a}a、b⃗\vec{b}b的模,θ\thetaθ为向量a⃗\vec{a}a、b⃗\vec{b}b的夹角。
即,叉积的长度∣a⃗×b⃗∣|\vec{a} \times \vec{b}|∣a×b∣为向量a⃗\vec{a}a、b⃗\vec{b}b共起点时,构成平行四边形的面积。
numpy中 使用
np.cross
实现向量的叉积
举例a⃗=(1,2,3)b⃗=(4,5,6)\vec{a} = (1,2,3) \;\;\;\; \vec{b} = (4,5,6)a=(1,2,3)b=(4,5,6)a⃗⋅b⃗=(2×6−3×5,4×3−1×6,1×5−2×4)=(−3,6,−3)\vec{a}\cdot \vec{b}=(2\times 6 -3\times 5 , 4 \times 3 - 1\times 6,1\times 5 - 2 \times 4)=(-3,6,-3)a⋅b=(2×6−3×5,4×3−1×6,1×5−2×4)=(−3,6,−3)
import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,6])
## 叉积 使用np.cross
print(np.cross(a,b))
点积与叉积小结:
名称 | 点积/数量积/标量积/内积/ | 叉积/向量积/矢量积/外积 |
---|---|---|
输入(以R3R^3R3为例) | a⃗=(a1,a2,a3),b⃗=(b1,b2,b3)\vec{a}=\left( {{a}_{1}},{{a}_{2}}, {{a}_{3}} \right),\vec{b}=\left( {{b}_{1}},{{b}_{2}} ,{{b}_{3}}\right)a=(a1,a2,a3),b=(b1,b2,b3) | a⃗=(a1,a2,a3),b⃗=(b1,b2,b3)\vec{a}=\left( {{a}_{1}},{{a}_{2}}, {{a}_{3}} \right),\vec{b}=\left( {{b}_{1}},{{b}_{2}} ,{{b}_{3}}\right)a=(a1,a2,a3),b=(b1,b2,b3) |
运算 | a⃗⋅b⃗=a1b1+a2b2+a3b3\vec{a}\cdot \vec{b}= {{a}_{1}}{{b}_{1}}+{{a}_{2}}{{b}_{2}}+{{a}_{3}}{{b}_{3}} a⋅b=a1b1+a2b2+a3b3 | a⃗×b⃗=∣ijka1a2a3b1b2b3∣\vec{a} \times \vec{b}=\begin{vmatrix}i & j & k \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \\ \end{vmatrix}a×b=∣∣ia1b1ja2b2ka3b3∣∣ |
输出 | 数值(标量):a⃗\vec{a}a在b⃗\vec{b}b方向上的投影与∣b⃗∣|\vec{b}|∣b∣的乘积,即 ∣a⃗∣∗∣b⃗∣∗cosθ| \vec{a} |* | \vec{b}|*cos\theta∣a∣∗∣b∣∗cosθ | 向量(矢量):a⃗\vec{a}a和b⃗\vec{b}b的法向量,该向量的模为 ∣a⃗∣∗∣b⃗∣∗sinθ| \vec{a} |* | \vec{b}|*sin\theta∣a∣∗∣b∣∗sinθ |
注:数量、向量常用于数学;而标量、矢量常用于物理
2 矩阵的点积与叉积
2.1 矩阵的点积
对于AAA矩阵(m×sm \times sm×s阶),BBB矩阵(s×ns \times ns×n阶)(A的列数与B的行数相等),
A=[a11a12⋯a1sa21a22⋯a2s⋯⋯⋱⋮am1am2⋯ams]B=[b11b12⋯b1nb21b22⋯b2n⋯⋯⋱⋮bs1bs2⋯bsn]A=\left[ \begin{matrix} {{a}_{11}} & {{a}_{12}} & \cdots & {{a}_{1s}} \\ {{a}_{21}} & {{a}_{22}} & \cdots & {{a}_{2s}} \\ \cdots & \cdots & \ddots & \vdots \\ {{a}_{m1}} & {{a}_{m2}} & \cdots & {{a}_{ms}} \\ \end{matrix} \right]~~~~~B=\left[ \begin{matrix} {{b}_{11}} & {{b}_{12}} & \cdots & {{b}_{1n}} \\ {{b}_{21}} & {{b}_{22}} & \cdots & {{b}_{2n}} \\ \cdots & \cdots & \ddots & \vdots \\ {{b}_{s1}} & {{b}_{s2}} & \cdots & {{b}_{sn}} \\ \end{matrix} \right]A=⎣⎡a11a21⋯am1a12a22⋯am2⋯⋯⋱⋯a1sa2s⋮ams⎦⎤ B=⎣⎡b11b21⋯bs1b12b22⋯bs2⋯⋯⋱⋯b1nb2n⋮bsn⎦⎤两者的点积,即矩阵相乘的结果C=ABC=ABC=AB是m×nm\times nm×n阶矩阵,
C=AB=[c11c12⋯c1nc21c22⋯c2n⋯⋯⋱⋮cm1cm2⋯cmn]C=AB=\left[ \begin{matrix} {{c}_{11}} & {{c}_{12}} & \cdots & {{c}_{1n}} \\ {{c}_{21}} & {{c}_{22}} & \cdots & {{c}_{2n}} \\ \cdots & \cdots & \ddots & \vdots \\ {{c}_{m1}} & {{c}_{m2}} & \cdots & {{c}_{mn}} \\ \end{matrix} \right]C=AB=⎣⎡c11c21⋯cm1c12c22⋯cm2⋯⋯⋱⋯c1nc2n⋮cmn⎦⎤其中,矩阵CCC中的元素满足cij=∑k=1saikbkj{{c}_{ij}}=\sum_{k=1}^{s}{{a}_{ik}}{{b}_{kj}}cij=k=1∑saikbkj举例A1=[1234]B1=[5678],A2=[123123]B2=[123]A_1 = \begin{bmatrix}1 & 2 \\3 & 4\end{bmatrix}\;\;\;\; B_1 = \begin{bmatrix}5 & 6 \\7 & 8\end{bmatrix}, \;\;\;\; A_2 = \begin{bmatrix}1 & 2 & 3\\1 & 2 & 3\end{bmatrix}\;\;\;\; B_2 = \begin{bmatrix}1\\2\\3 \end{bmatrix} \;\;\;\;A1=[1324]B1=[5768],A2=[112233]B2=⎣⎡123⎦⎤A1B1=[19224350],A2B2=[1414]A_1B_1 = \begin{bmatrix}19 & 22 \\43 & 50\end{bmatrix}, \;\;\;\; A_2B_2 = \begin{bmatrix}14&14\end{bmatrix}A1B1=[19432250],A2B2=[1414]numpy实现
import numpy as np
A1 = np.array([[1,2],[3,4]])
B2 = np.array([[5,6],[7,8]])
A2 = np.array([[1,2,3],[1,2,3]])
B2 = np.array([1,2,3])
## 数量积 使用np.dot
print(np.dot(A1,B1))
print(np.dot(A2,B2))
此外,numpyt提供了numpy.inner()
函数,从字面意思理解是内积,其针对向量numpy.inner()
与numpy.dot()
输出一致,但针对矩阵有所不同。
print(np.inner(A1,B1))
输出为[17233953]\begin{bmatrix}17 & 23 \\39 & 53\end{bmatrix}[17392353]
其中,17=1×5+2×6,23=1×7+2×817=1 \times 5 +2\times 6,23 = 1\times 7 +2\times 817=1×5+2×6,23=1×7+2×839=3×5+4×6,53=3×7+4×839 = 3\times 5 +4\times 6,53=3\times7 +4\times 839=3×5+4×6,53=3×7+4×8
print(np.inner(A2,B2))
输出为[1414]\begin{bmatrix}14&14\end{bmatrix}[1414]
2.2 矩阵的叉积
针对矩阵并不存在叉积的概念,numpy中针对矩阵的叉积运算是按照向量的叉积进行运算。
举例
A1=[1234]B1=[5678],A2=[123123]B2=[123]A_1 = \begin{bmatrix}1 & 2 \\3 & 4\end{bmatrix}\;\;\;\; B_1 = \begin{bmatrix}5 & 6 \\7 & 8\end{bmatrix}, \;\;\;\; A_2 = \begin{bmatrix}1 & 2 & 3\\1 & 2 & 3\end{bmatrix}\;\;\;\; B_2 = \begin{bmatrix}1\\2\\3 \end{bmatrix} \;\;\;\;A1=[1324]B1=[5768],A2=[112233]B2=⎣⎡123⎦⎤A1×B1=[−4−4],A2×B2=[000000]A_1 \times B_1 = \begin{bmatrix}-4&-4\end{bmatrix}, \;\;\;\; A_2 \times B_2 = \begin{bmatrix}0 & 0&0 \\0 & 0&0\end{bmatrix} A1×B1=[−4−4],A2×B2=[000000]numpy实现
import numpy as np
A1 = np.array([[1,2],[3,4]])
B1 = np.array([[5,6],[7,8]])
A2 = np.array([[1,2,3],[1,2,3]])
B2 = np.array([1,2,3])
## 叉积 使用np.cross
print(np.cross(A1,B1))
print(np.cross(A2,B2))
3. 元素积
元素积(element-wise product, point-wise product)又称哈达玛积(Hadamard product )、舒尔积、逐项积,对应元素相乘,结果还是向量/矩阵。
对于 nnn维向量 a⃗=(a1,a1,...,an),b⃗=(b1,b2,...,bn)\vec{a}=\left( {{a}_{1}},{{a}_{1}},..., {{a}_{n}} \right)~,\vec{b}=\left( {{b}_{1}},{{b}_{2}} ,...,{{b}_{n}}\right)a=(a1,a1,...,an) ,b=(b1,b2,...,bn),两者的元素积:a⃗∗b⃗=(a1b1,a2b2,...,anbn)\vec{a} * \vec{b}= ({{a}_{1}{b}_{1}},{{a}_{2}}{{b}_{2}},...,{{a}_{n}}{{b}_{n}} ) a∗b=(a1b1,a2b2,...,anbn)对于同阶矩阵(m×nm \times nm×n)AAA、BBB,两者的哈达玛(Hadamard)积:A∘B=[a11b11a12b12⋯a1nb1na21b21a22b22⋯a2nb2n⋯⋯⋱⋮am1bm1am2bm2⋯amnbmn]A \circ B = \left[ \begin{matrix} {{a}_{11}{b}_{11}} & {{a}_{12}{b}_{12}} & \cdots & {{a}_{1n}{b}_{1n}} \\ {{a}_{21}{b}_{21}} & {{a}_{22}{b}_{22}} & \cdots & {{a}_{2n}{b}_{2n}} \\ \cdots & \cdots & \ddots & \vdots \\ {{a}_{m1}{b}_{m1}} & {{a}_{m2}{b}_{m2}} & \cdots & {{a}_{mn}{b}_{mn}} \\ \end{matrix} \right]A∘B=⎣⎡a11b11a21b21⋯am1bm1a12b12a22b22⋯am2bm2⋯⋯⋱⋯a1nb1na2nb2n⋮amnbmn⎦⎤
numpy中 使用
np.multiply
或*
实现元素积
举例
向量:a⃗=(1,2,3)b⃗=(4,5,6)\vec{a} = (1,2,3) \;\;\;\; \vec{b} = (4,5,6)a=(1,2,3)b=(4,5,6) a⃗∘b⃗=(4,10,18)\vec{a} \circ \vec{b} =(4 , 10 , 18)a∘b=(4,10,18)矩阵:A1=[1234]B1=[5678],A2=[123123]B2=[123]A_1 = \begin{bmatrix}1 & 2 \\3 & 4\end{bmatrix}\;\;\;\; B_1 = \begin{bmatrix}5 & 6 \\7 & 8\end{bmatrix}, \;\;\;\; A_2 = \begin{bmatrix}1 & 2 & 3\\1 & 2 & 3\end{bmatrix}\;\;\;\; B_2 = \begin{bmatrix}1\\2\\3 \end{bmatrix} \;\;\;\;A1=[1324]B1=[5768],A2=[112233]B2=⎣⎡123⎦⎤A1∘B1=[5122132],A2∘B2=[149149]A_1 \circ B_1 = \begin{bmatrix}5 & 12 \\21 & 32\end{bmatrix}, \;\;\;\; A_2 \circ B_2 = \begin{bmatrix}1 & 4 & 9\\1 & 4 & 9\end{bmatrix}\;\;\;\;A1∘B1=[5211232],A2∘B2=[114499]
import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,6])
A1 = np.array([[1,2],[3,4]])
B1 = np.array([[5,6],[7,8]])
A2 = np.array([[1,2,3],[1,2,3]])
B2 = np.array([1,2,3])
## 数量积 使用np.multiply或*
print(np.multiply(a,b))
print(np.multiply(A1,B1))
print(np.multiply(A2,B2)) #阶数不一致的,numpy将进行广播确保一致
4. 克罗内克积
克罗内克积(Kronecker product)是两个任意大小的矩阵间的运算。
对于对于AAA矩阵(m×nm \times nm×n阶),BBB矩阵(p×qp \times qp×q阶):A=[a11a12⋯a1na21a22⋯a2n⋯⋯⋱⋮am1am2⋯amn]B=[b11b12⋯b1qb21b22⋯b2q⋯⋯⋱⋮bp1bp2⋯bpq]A=\left[ \begin{matrix} {{a}_{11}} & {{a}_{12}} & \cdots & {{a}_{1n}} \\ {{a}_{21}} & {{a}_{22}} & \cdots & {{a}_{2n}} \\ \cdots & \cdots & \ddots & \vdots \\ {{a}_{m1}} & {{a}_{m2}} & \cdots & {{a}_{mn}} \\ \end{matrix} \right]~~~~~B=\left[ \begin{matrix} {{b}_{11}} & {{b}_{12}} & \cdots & {{b}_{1q}} \\ {{b}_{21}} & {{b}_{22}} & \cdots & {{b}_{2q}} \\ \cdots & \cdots & \ddots & \vdots \\ {{b}_{p1}} & {{b}_{p2}} & \cdots & {{b}_{pq}} \\ \end{matrix} \right]A=⎣⎡a11a21⋯am1a12a22⋯am2⋯⋯⋱⋯a1na2n⋮amn⎦⎤ B=⎣⎡b11b21⋯bp1b12b22⋯bp2⋯⋯⋱⋯b1qb2q⋮bpq⎦⎤两者的克罗内克积C=A⊗BC=A \otimes BC=A⊗B是mp×nqmp×nqmp×nq阶的分块矩阵:C=A⊗B=[a11Ba12B⋯a1nBa21Ba22B⋯a2nB⋯⋯⋱⋮am1Bam2B⋯amnB]C=A \otimes B = \left[ \begin{matrix} {{a}_{11}B} & {{a}_{12}B} & \cdots & {{a}_{1n}} B \\ {{a}_{21}} B& {{a}_{22}}B & \cdots & {{a}_{2n}} B \\ \cdots & \cdots & \ddots & \vdots \\ {{a}_{m1}} B& {{a}_{m2}} B& \cdots & {{a}_{mn}}B \\ \end{matrix} \right]C=A⊗B=⎣⎡a11Ba21B⋯am1Ba12Ba22B⋯am2B⋯⋯⋱⋯a1nBa2nB⋮amnB⎦⎤=[a11b11a11b12⋯a11b1q⋯⋯a1nb11a1nb12⋯a1nb1qa11b21a11b22⋯a11b2q⋯⋯a1nb21a1nb22⋯a1nb2q⋮⋮⋱⋮⋮⋮⋱⋮a11bp1a11bp2⋯a11bpq⋯⋯a1nbp1a1nbp2⋯a1nbpq⋮⋮⋮⋱⋮⋮⋮⋮⋮⋮⋱⋮⋮⋮am1b11am1b12⋯am1b1q⋯⋯amnb11amnb12⋯amnb1qam1b21am1b22⋯am1b2q⋯⋯amnb21amnb22⋯amnb2q⋮⋮⋱⋮⋮⋮⋱⋮am1bp1am1bp2⋯am1bpq⋯⋯amnbp1amnbp2⋯amnbpq]=\left[ \begin{matrix} {{a}_{11}{b}_{11}} & {{a}_{11}{b}_{12}} & \cdots & {{a}_{11}} {b}_{1q} & \cdots & \cdots &{{a}_{1n}{b}_{11}} & {{a}_{1n}{b}_{12}} & \cdots & {{a}_{1n}} {b}_{1q} \\ {{a}_{11}{b}_{21}} & {{a}_{11}{b}_{22}} & \cdots & {{a}_{11}} {b}_{2q} & \cdots & \cdots &{{a}_{1n}{b}_{21}} & {{a}_{1n}{b}_{22}} & \cdots & {{a}_{1n}} {b}_{2q} \\ \vdots & \vdots & \ddots & \vdots & & & \vdots & \vdots & \ddots & \vdots \\ {{a}_{11}{b}_{p1}} & {{a}_{11}{b}_{p2}} & \cdots & {{a}_{11}} {b}_{pq} & \cdots & \cdots &{{a}_{1n}{b}_{p1}} & {{a}_{1n}{b}_{p2}} & \cdots & {{a}_{1n}} {b}_{pq} \\ \vdots & \vdots & & \vdots & \ddots & & \vdots & \vdots & & \vdots \\ \vdots & \vdots & & \vdots & & \ddots & \vdots & \vdots & & \vdots \\ {{a}_{m1}{b}_{11}} & {{a}_{m1}{b}_{12}} & \cdots & {{a}_{m1}} {b}_{1q} & \cdots & \cdots &{{a}_{mn}{b}_{11}} & {{a}_{mn}{b}_{12}} & \cdots & {{a}_{mn}} {b}_{1q} \\ {{a}_{m1}{b}_{21}} & {{a}_{m1}{b}_{22}} & \cdots & {{a}_{m1}} {b}_{2q} & \cdots & \cdots &{{a}_{mn}{b}_{21}} & {{a}_{mn}{b}_{22}} & \cdots & {{a}_{mn}} {b}_{2q} \\ \vdots & \vdots & \ddots & \vdots & & & \vdots & \vdots & \ddots & \vdots \\ {{a}_{m1}{b}_{p1}} & {{a}_{m1}{b}_{p2}} & \cdots & {{a}_{m1}} {b}_{pq} & \cdots & \cdots &{{a}_{mn}{b}_{p1}} & {{a}_{mn}{b}_{p2}} & \cdots & {{a}_{mn}} {b}_{pq} \\ \end{matrix} \right]=⎣⎡a11b11a11b21⋮a11bp1⋮⋮am1b11am1b21⋮am1bp1a11b12a11b22⋮a11bp2⋮⋮am1b12am1b22⋮am1bp2⋯⋯⋱⋯⋯⋯⋱⋯a11b1qa11b2q⋮a11bpq⋮⋮am1b1qam1b2q⋮am1bpq⋯⋯⋯⋱⋯⋯⋯⋯⋯⋯⋱⋯⋯⋯a1nb11a1nb21⋮a1nbp1⋮⋮amnb11amnb21⋮amnbp1a1nb12a1nb22⋮a1nbp2⋮⋮amnb12amnb22⋮amnbp2⋯⋯⋱⋯⋯⋯⋱⋯a1nb1qa1nb2q⋮a1nbpq⋮⋮amnb1qamnb2q⋮amnbpq⎦⎤
numpy中 使用
np.kron
实现
举例A1=[123]B1=[456]A2=[1234]B2=[5678]A3=[123123]B3=[123]A_1 = \begin{bmatrix}1 \\ 2\\ 3 \end{bmatrix}\;B_1 = \begin{bmatrix}4\\5\\6 \end{bmatrix} \;A_2 = \begin{bmatrix}1 & 2 \\3 & 4\end{bmatrix}\;B_2 = \begin{bmatrix}5 & 6 \\7 & 8\end{bmatrix} \; A_3 = \begin{bmatrix}1 & 2 & 3\\1 & 2 & 3\end{bmatrix}\;B_3 = \begin{bmatrix}1\\2\\3 \end{bmatrix} A1=⎣⎡123⎦⎤B1=⎣⎡456⎦⎤A2=[1324]B2=[5768]A3=[112233]B3=⎣⎡123⎦⎤A1⊗B1=[45681012121518]TA_1 \otimes B_1={\begin{bmatrix}4 & 5 & 6 & 8 &10 & 12 & 12 & 15&18\end{bmatrix}}^TA1⊗B1=[45681012121518]TA2⊗B2=[5610127814161518202421242832]A_2 \otimes B_2 = \begin{bmatrix}5 &6&10&12 \\7 & 8&14&16\\15 & 18&20&24 \\21 &24&28&32\end{bmatrix}A2⊗B2=⎣⎡5715216818241014202812162432⎦⎤A3⊗B3=[123246369123246369]TA_3\otimes B_3 = { \begin{bmatrix}1 & 2&3 &2&4&6&3&6 & 9\\1 & 2&3 &2&4&6&3&6 & 9\end{bmatrix}}^TA3⊗B3=[112233224466336699]T
import numpy as np
A1 = np.array([1,2,3])
B1 = np.array([4,5,6])
A2 = np.array([[1,2],[3,4]])
B2 = np.array([[5,6],[7,8]])
A3 = np.array([[1,2,3],[1,2,3]])
B3 = np.array([1,2,3])
## 克罗内克积 使用np.kron
print(np.kron(A1,B1))
print(np.kron(A2,B2))
print(np.kron(A3,B3))
带你一次搞懂点积(内积)、叉积(外积)相关推荐
- 带你一文搞懂VMware Workstation的三种网络模式
前言: 其实VMware Workstation的三种网络模式我学的不止一遍,但每次学习自己理解的都是朦胧的概念,说自己学会了吧,一些实质性的概念转头就忘记,一点也想不起来.说自己不会吧,但是每次学习 ...
- 带你一文搞懂网络层的IP协议\数据链路层的以太网\ARP协议以及DNS和NAT协议
TCP连接管理中的保活机制: TCP协议是面向连接通信,若通信双方长时间没有数据往来,就需要确定对方还是否在线,连接是否正常? 若通信双方长时间(7200秒)没有数据往来,在服务端会向客 ...
- 趣节点带您3分钟搞懂信息流广告
在互联网时代,我们身边几乎到处充斥着信息流广告的痕迹,但由于大家对信息流广告并不是很了解,所以即便我们遇到了信息流广告也分辨不出来.还有另外一个原因就是:信息流广告看起来和我们平常看到的信息内容是没有 ...
- 两向量常用的“积”-----------内积,外积,点乘,叉乘,哈达玛积,张量积
英文叫法总结(目前论文中常出现的几种向量积): 1,内积(inner product)/点积,点乘(dot product)/数量积(scalar product) 2,外积(Exterior Pro ...
- 内积、外积、元素积、克罗内克积的区分及用法【python】
带你一次搞懂点积(内积).叉积(外积)_机器学习Zero的博客-CSDN博客_点积和叉积 向量的外积(outer product)与克罗内克积(Kronecker)_努力干活还不粘人的小妖精的博客-C ...
- 一文搞懂BPE分词算法
大家好,我是Xueliang,又和大家见面了. 我最近在打机器翻译的一个比赛,主要使用基于BERT的模型.在这其中,一个小的知识点引起了我的好奇,就是在将英语训练语料输入到BERT模型之前,需要对其进 ...
- 一文带你搞懂什么是测试开发!
需要说明的是,原文发表于作者的公众号中,文章篇幅虽长,但内容朴实.且能帮助读者进一步理解测试开发工作,请读者耐心品完~ 01 开始前说点什么 1. 自我反省 公众号开通了也有两年多了,除了刚开通的那段 ...
- 一文带你搞懂从动态代理实现到Spring AOP
摘要:本文主要讲了Spring Aop动态代理实现的两种方式. 1. Spring AOP Spring是一个轻型容器,Spring整个系列的最最核心的概念当属IoC.AOP.可见AOP是Spring ...
- 怎么用Python写出随时间变化的字_面试必备 | 带你彻底搞懂 Python 生成器
文章转载地址:面试必备 | 带你彻底搞懂 Python 生成器. 写在之前 Python 的高级语言特性一直是我们学习 Python 的一个难点,大部分人并没有做到熟练的掌握,甚至去学习它都感觉很困难 ...
最新文章
- for...in和 for...of
- python类_python类和对象
- requests从api中获取数据并存放到mysql中
- 【网址收藏】WIN10进入超级管理员账号(Administrator)
- 计算机硬盘read,为你解答电脑开机提示a disk read error occurred怎么办
- HP服务器ile进系统,HP GEN10服务器UEFI安装Windows Sverver 2012 R2教程
- 当使用easyui时,jquery的设置disabled属性方法失效
- 软件外部接口和内部接口_java中的内部类内部接口详解
- 12.11团队任务汇总
- addEventListener和attachEvent二者绑定的执行函数中的this不相同【转载】
- [comsol]求协调初始值失败,奇异矩阵。
- diabetes影响因子2017_2017年度影响因子看点和预测(MedSci出品)
- django book 制作
- MySQL中EXPLAIN解析
- 迅捷pdf转换器如何转换成word文档
- python爬虫一:爬虫简介
- 【Android安全】安卓app爬虫工具 | 混淆检测工具
- 什么叫ocpm、ocpc、ocpa?三种转化出价方式
- 软考之下午题做题技巧
- IBM ServerGuide 9.21