B16_NumPy线性代数(dot,vdot,inner,matmul,determinant,solve,inv)
NumPy线性代数
NumPy 提供了线性代数函数库 linalg,该库包含了线性代数所需的所有功能,可以看看下面的说明:
函数 | 描述 |
---|---|
dot | 两个数组的点积,即元素对应相乘。 |
vdot | 两个向量的点积 |
inner | 两个数组的内积 |
matmul | 两个数组的矩阵积 |
determinant | 数组的行列式 |
solve | 求解线性矩阵方程 |
inv | 计算矩阵的乘法逆矩阵 |
numpy.dot()
numpy.dot() 对于两个一维的数组,计算的是这两个数组对应下标元素的乘积和(数学上称之为内积);对于二维数组,计算的是两个数组的矩阵乘积;对于多维数组,它的通用计算公式如下,即结果数组中的每个元素都是:数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和:dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。
numpy.dot(a,b,out=None)
参数说明:
- a : ndarray 数组
- b : ndarray 数组
- out : ndarray, 可选,用来保存dot()的计算结果
实例
import numpy.matlib
import numpy as npa = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
print(np.dot(a,b))
输出结果为:
[[37 40][85 92]]
计算式为:
[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
numpy.vdot()
numpy.vdot()函数是两个向量的点积。如果第一个参数是复数,那么它在共轭复数会用于计算。如果参数是多维数组,它会被展开。
实例
import numpy.matlib
import numpy as npa = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
print(np.vdot(a,b))
输出结果为:
130
计算式为:
1*11 + 2*12 + 3*13 + 4*14 = 130
numpy.inner()
numpy.inner() 函数返回一维数组的向量内积。对于更高的维度,它返回最后一个轴上的和的乘积。
实例
import numpy as npprint(np.inner(np.array([1, 2, 3]), np.array([0, 1, 0])))
# 等价于 1*0+2*1+3*0
输出结果为:
2
多维数组实例
import numpy as npa = np.array([[1, 2], [3, 4]])print('数组 a:')
print(a)
b = np.array([[11, 12], [13, 14]])print('数组 b:')
print(b)print('内积:')
print(np.inner(a, b))
输出结果为:
数组 a:
[[1 2][3 4]]
数组 b:
[[11 12][13 14]]
内积:
[[35 41][81 95]]
内积计算式为:
1*11+2*12, 1*13+2*14
3*11+4*12, 3*13+4*14
numpy.matmul
numpy.matmul 函数返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积,但如果任一参数的维数大于2,则将其视为存在于最后两个索引的矩阵的栈,并进行相应广播。
另一方面,如果任一参数是一维数组,则通过在其维度上附加 1 来将其提升为矩阵,并在乘法之后被去除。
对于二维数组,它就是矩阵乘法:
import numpy.matlib
import numpy as npa = [[1,0],[0,1]]
b = [[4,1],[2,2]]
print(np.matmul(a,b))
输出结果为:
[[4 1][2 2]]
二维和一维运算:
实例
import numpy.matlib
import numpy as npa = np.arange(8).reshape(2, 2, 2)
b = np.arange(4).reshape(2, 2)
print(a)
print(b)
print(np.matmul(a, b))
输出结果为:
[[[0 1][2 3]][[4 5][6 7]]]
[[0 1][2 3]]
[[[ 2 3][ 6 11]][[10 19][14 27]]]
numpy.linalg.det()
numpy.linalg.det() 函数计算输入矩阵的行列式。
行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵,它是左上和右下元素的乘积与其他两个的乘积的差。
换句话说,对于矩阵[[a,b],[c,d]],行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合。
实例:
[[[0 1][2 3]][[4 5][6 7]]]
[[0 1][2 3]]
[[[ 2 3][ 6 11]][[10 19][14 27]]]
numpy.linalg.det()
numpy.linalg.det() 函数计算输入矩阵的行列式。
行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵,它是左上和右下元素的乘积与其他两个的乘积的差。
换句话说,对于矩阵[[a,b],[c,d]],行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合。
实例
import numpy as npa = np.array([[1,2],[3,4]])
print(np.linalg.det(a))
输出结果为:
-2.0000000000000004
实例
import numpy as npb = np.array([[6,1,1], [4, -2, 5], [2,8,7]])
print (b)
print (np.linalg.det(b))
print (6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2))
输出结果为:
[[ 6 1 1][ 4 -2 5][ 2 8 7]]
-306.0
-306
numpy.linalg.solve()
numpy.linalg.solve() 函数给出了矩阵形式的线性方程的解。
考虑以下线性方程:
x + y + z = 62y + 5z = -42x + 5y - z = 27
可以使用矩阵表示为:
如果矩阵成A、X和B,方程变为:
AX = B或X = A^(-1)B
numpy.linalg.inv()
numpy.linalg.inv() 函数计算矩阵的乘法逆矩阵。
逆矩阵(inverse matrix):设A是数域上的一个n阶矩阵,若在相同数域上存在另一个矩阵B,使得:AB=BA=E,则我们称B是A的逆矩阵,而A则被称为可逆矩阵。注:E为单位矩阵。
实例
import numpy as npx = np.array([[1, 2], [3, 4]])
y = np.linalg.inv(x)
print(x)
print(y)
print(np.dot(x, y))
输出结果为:
[[1 2][3 4]]
[[-2. 1. ][ 1.5 -0.5]]
[[1.00000000e+00 1.11022302e-16][0.00000000e+00 1.00000000e+00]]
现在创建一个矩阵A的逆矩阵:
import numpy as npa = np.array([[1, 1, 1], [0, 2, 5], [2, 5, -1]])print('数组 a:')
print(a)
ainv = np.linalg.inv(a)print('a 的逆:')
print(ainv)print('矩阵 b:')
b = np.array([[6], [-4], [27]])
print(b)print('计算:A^(-1)B:')
x = np.linalg.solve(a, b)
print(x)
# 这就是线性方向 x = 5, y = 3, z = -2 的解
运行结果为:
数组 a:
[[ 1 1 1][ 0 2 5][ 2 5 -1]]
a的逆:
[[ 1.28571429 -0.28571429 -0.14285714][-0.47619048 0.14285714 0.23809524][ 0.19047619 0.14285714 -0.0952381 ]]
矩阵b:
[[ 6][ 4][27]]
计算:A^(-1)B:
[[ 2.71428571][ 4.14285714][-0.85714286]]
结果也可以使用以下函数获取:
x = np.dot(ainv,b)
B16_NumPy线性代数(dot,vdot,inner,matmul,determinant,solve,inv)相关推荐
- python中使用numpy包的向量矩阵相乘np.dot和np.matmul
一直对np的线性运算不太清晰,正好上课讲到了,做一个笔记整个理解一下 1.向量和矩阵 在numpy中,一重方括号表示的是向量vector,vector没有行列的概念.二重方括号表示矩阵matrix,有 ...
- 线性代数问卷调查反馈——Find The Determinant III,Takahashi‘s Basics in Education and Learning
文章目录 Find The Determinant III source code Takahashi's Basics in Education and Learning source code F ...
- Numpy中np.dot()与np.matmul()的区别(矩阵乘积、矩阵乘法、矩阵相乘)
- python的matmul_numpy中dot()、outer()、multiply()以及matmul()的区别
Python中的几种乘法 在numpy的官方教程中,dot()是比较复杂的一个,因为参数的不同可以实现等同于np.matmul() 或者 np.multiply()的作用 numpy.dot(a,b, ...
- numpy矩阵乘法中的multiply,matmul和dot
用numpy做矩阵运算时,少不了用到矩阵乘法.本文帮你迅速区分multiply, matmul和dot的区别. numpy官方文档中的说明:(想深入了解可以一戳) multiply: https:// ...
- 线性代数投影法在线性回归中的应用
https://www.toutiao.com/a6687144116989461004/ 线性回归是一种流行的监督机器学习技术.当关系本身不完善时,需要确定因变量(也称为目标变量)和一个或多个自变量 ...
- 【学习笔记】第三章 Python在高等数学和线性代数中的应用
目录 3.1 Sympy工具库介绍 3.1.1 Sympy工具库介绍(服务于符号运算的工具库) 1.微积分模块(sympy.integrals) 2.离散数学模块(sympy.discrete 3.方 ...
- python分析基金数据,[Python数据分析]numpy基金会,基础
数组属性 ndim与shape的区别 ndim 轴的数量,即从外到内的层数(axis=0为最外层) shape 每层数组的元素,返回一个元组,其长度即为ndim,比如(2,2,3)表示axis=0,有 ...
- Lesson 2.矩阵运算基础、矩阵求导与最小二乘法
在Lesson 1中,我们介绍了关于机器学习的一般建模流程,并且在基本没有数学公式和代码的情况下,简单介绍了关于线性回归的一般实现形式.不过这只是在初学阶段.为了不增加基础概念理解难度所采取的方法,但 ...
最新文章
- 为什么有些画面让你终生难忘?GAN来告诉你原因
- [工具]-脚本自动化工具:按照linux kernel标准格式化输出文件(format_file)
- goroutine 那些事
- breakout room at teams
- 历史上的今天:编程语言中null引用的十亿美元错误
- linux python pymysql,Python之pymysql的使用
- c语言mpi矩阵乘法,【MPI并行程序】矩阵乘法
- 视频教程-Qt语言从入门到精通-C/C++
- 工作总结10:毕业这一年的收获
- 福利:appium+selenium+python 模拟手工点击趣头条(app赚钱软件)
- greasemonkey油猴子初学过程中遇到的问题
- 1.定义一个基类 Base,有两个公有成员函数fn1( ),fn2 ( )。 私有派生出Derived类,如何通过Derived 类的对象调用基类的函数fnl() ?
- 市面上有哪些程序化软件?
- RHEL5 Oracle 11G R2 RAC 静默安装 (三) rdbms安装 dbca 建库
- html账号输入框整体透明,HTML在透明输入框里添加图标的实现代码
- 最新总结-php根据ip获取所在位置(定位)
- mysql的zip安装教程
- vue中 给元素添加鼠标移入,鼠标移出的效果的事件
- ubuntu系统学习4——安装engin和opencv3
- 手把手教你用图灵机器人做微信公众号自动回复助手
热门文章
- 《Python游戏编程快速上手》第十四章----凯撒密码
- 《集体智慧编程》第六章
- 中文文本纠错 算例实现(有算例完整代码)
- HMM算例 python 有代码
- VTK:图像映射到颜色用法实战
- OpenCASCADE绘制测试线束:数据交换命令之XDE 形状命令
- wxWidgets:wxMutex类用法
- wxWidgets:wxListItem类用法
- boost::random_spanning_tree用法的测试程序
- boost::geometry::srs::epsg用法的测试程序