numpy学习笔记7：np.dot(a, b) 详细解释

numpy学习笔记7：np.dot(a, b) 详细解释

np.dot(a, b) 函数详解

np.dot(a, b) 是 NumPy 中用于计算两个数组的点积或矩阵乘法的核心函数。其行为根据输入数组的维度不同而变化，以下是详细说明：

---

1. 输入为两个一维数组（向量）

• 作用：计算向量内积（对应元素相乘后求和）。

• 公式：结果=∑i=1nai⋅bi结果=∑i=1n​ai​⋅bi​。

• 示例：

  import numpy as np
  a = np.array([1, 2, 3])
  b = np.array([4, 5, 6])
  result = np.dot(a, b)  # 1*4 + 2*5 + 3*6 = 32
  print(result)  # 输出: 32

---

2. 输入为一个二维数组（矩阵）和一个一维数组（向量）

• 作用：矩阵与向量的乘法，结果为向量。

• 条件：矩阵的列数必须等于向量的长度。

• 示例：

  matrix = np.array([[1, 2], [3, 4]])  # 形状 (2, 2)
  vector = np.array([5, 6])            # 形状 (2,)
  result = np.dot(matrix, vector)      # [1*5 + 2*6, 3*5 + 4*6] = [17, 39]
  print(result)  # 输出: [17 39]

---

3. 输入为两个二维数组（矩阵）

• 作用：矩阵乘法。

• 条件：第一个矩阵的列数必须等于第二个矩阵的行数。

• 示例：

  a = np.array([[1, 2], [3, 4]])  # 形状 (2, 2)
  b = np.array([[5, 6], [7, 8]])  # 形状 (2, 2)
  result = np.dot(a, b)  # [[1*5+2*7, 1*6+2*8], [3*5+4*7, 3*6+4*8]]
  print(result)  # 输出: [[19 22], [43 50]]

---

4. 输入为高维数组（三维及以上）

• 作用：沿指定轴求和，遵循张量乘法规则。

• 规则：np.dot(a, b) 对 a 的最后一个轴和 b 的倒数第二个轴进行乘积求和。

• 示例：

  a = np.ones((2, 3, 4))  # 形状 (2, 3, 4)
  b = np.ones((2, 4, 5))  # 形状 (2, 4, 5)
  result = np.dot(a, b)   # 形状 (2, 3, 2, 5)

  • 结果形状推导：保留 a 的前两个轴 (2, 3) 和 b 的后两个轴 (2, 5)，合并中间的维度 4。

---

5. 输入包含标量

• 作用：标量与数组的普通乘法。

• 示例：

  a = 5
  b = np.array([1, 2, 3])
  result = np.dot(a, b)  # 等同于 5 * b → [5, 10, 15]
  print(result)  # 输出: [5 10 15]

---

6. 与 @ 运算符和 np.matmul() 的区别

功能	np.dot(a, b)	a @ b 或 np.matmul(a, b)
一维数组	内积（标量）	外积（错误，需显式处理）
高维数组	张量积（按最后两轴计算）	广播矩阵乘法（按最后两轴计算）
标量乘法	支持	不支持（需显式乘法）

---

7. 常见错误与注意事项

• 维度不匹配：

  a = np.array([[1, 2], [3, 4]])  # 形状 (2, 2)
  b = np.array([1, 2, 3])         # 形状 (3,)
  np.dot(a, b)  # 报错：shapes (2,2) and (3,) not aligned

• 性能优化：对大型数组，np.dot() 默认使用优化后的 BLAS 库（如 Intel MKL），效率极高。

• 内存共享：结果数组是新的对象，不与输入数组共享内存。

---

总结

• 一维数组 → 向量内积。

• 二维数组 → 矩阵乘法。

• 高维数组 → 张量积（沿特定轴计算）。

• 标量 → 普通乘法。

• 替代操作：@ 运算符更适用于矩阵乘法，np.dot() 更通用。