Python中矩阵运算：np.dot与element-wise乘法的区别
发布时间：2026-10-13 |
6人浏览过
本文详解Python中两种主要的矩阵运算方式：np.dot()执行线性代数定义的矩阵乘积或一维内积，而np.multiply()及*符号用于对应元素相乘（element-wise）。通过二维与一维数组的代码示例，清晰展示两种运算在结果上的本质区别，帮助开发者正确选择计算方法。
线性代数矩阵乘法：np.dot() 的使用
1. 遵循线性代数中矩阵乘法的定义：使用 np.dot() 函数
调用 np.dot(A, B) 时，若输入为二维矩阵，则执行标准的矩阵乘积运算，这与线性代数中的定义完全一致；若输入为一维矩阵（向量），则计算两个向量的内积。具体 Python 实现代码如下：
import numpy as np
# 2-D array: 2 x 3
two_dim_matrix_one = np.array([[1, 2, 3], [4, 5, 6]])
# 2-D array: 3 x 2
two_dim_matrix_two = np.array([[1, 2], [3, 4], [5, 6]])
two_multi_res = np.dot(two_dim_matrix_one, two_dim_matrix_two)
print('two_multi_res: %s' %(two_multi_res))
# 1-D array
one_dim_vec_one = np.array([1, 2, 3])
one_dim_vec_two = np.array([4, 5, 6])
one_result_res = np.dot(one_dim_vec_one, one_dim_vec_two)
print('one_result_res: %s' %(one_result_res))运行上述代码后，输出结果如下所示：
two_multi_res: [[22 28]
[49 64]]
one_result_res: 32对应元素相乘：np.multiply() 与 * 运算符
2. 对应元素相乘（element-wise product）：使用 np.multiply() 或 * 运算符
在 Python 中，若需实现对应元素相乘，主要有两种实现路径：一是调用 np.multiply() 函数，二是直接使用 * 运算符。具体的 Python 代码示例如下：
import numpy as np
# 2-D array: 2 x 3
two_dim_matrix_one = np.array([[1, 2, 3], [4, 5, 6]])
another_two_dim_matrix_one = np.array([[7, 8, 9], [4, 7, 1]])
# 对应元素相乘 element-wise product
element_wise = two_dim_matrix_one * another_two_dim_matrix_one
print('element wise product: %s' %(element_wise))
# 对应元素相乘 element-wise product
element_wise_2 = np.multiply(two_dim_matrix_one, another_two_dim_matrix_one)
print('element wise product: %s' % (element_wise_2))执行上述代码后，得到的结果如下：
element wise product: [[ 7 16 27]
[16 35 6]]
element wise product: [[ 7 16 27]
[16 35 6]]以上内容即为本文的全部介绍，希望能为各位的学习提供有益帮助。同时也欢迎大家继续支持本站，获取更多技术资源。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
