numpy.linalg.matmul#

linalg.matmul(x1, x2, /)[原始碼]#

計算矩陣乘積。

此函數與 Array API 相容，與 numpy.matmul 相反。

參數:

x1array_like: 第一個輸入陣列。
x2array_like: 第二個輸入陣列。

傳回值:

outndarray: 輸入的矩陣乘積。只有當 x1、x2 都是 1 維向量時，這才是純量。

引發:

ValueError

如果 x1 的最後一個維度與 x2 的倒數第二個維度大小不同。

如果傳入純量值。

參見

numpy.matmul

範例

對於 2 維陣列，這是矩陣乘積

>>> a = np.array([[1, 0],
...               [0, 1]])
>>> b = np.array([[4, 1],
...               [2, 2]])
>>> np.linalg.matmul(a, b)
array([[4, 1],
       [2, 2]])

對於 2 維陣列與 1 維陣列混合，結果是通常的結果。

>>> a = np.array([[1, 0],
...               [0, 1]])
>>> b = np.array([1, 2])
>>> np.linalg.matmul(a, b)
array([1, 2])
>>> np.linalg.matmul(b, a)
array([1, 2])

廣播適用於陣列堆疊

>>> a = np.arange(2 * 2 * 4).reshape((2, 2, 4))
>>> b = np.arange(2 * 2 * 4).reshape((2, 4, 2))
>>> np.linalg.matmul(a,b).shape
(2, 2, 2)
>>> np.linalg.matmul(a, b)[0, 1, 1]
98
>>> sum(a[0, 1, :] * b[0 , :, 1])
98

向量與向量傳回純量內積，但兩個參數都不是複共軛

>>> np.linalg.matmul([2j, 3j], [2j, 3j])
(-13+0j)

純量乘法會引發錯誤。

>>> np.linalg.matmul([1,2], 3)
Traceback (most recent call last):
...
ValueError: matmul: Input operand 1 does not have enough dimensions ...