python必背源代码numpy矩阵乘法代码
本文详解Python中NumPy矩阵乘法的必背核心源代码,包含@运算符、np.matmul与np.dot的具体用法、维度匹配规则、多维批处理计算及常见报错排查指南。
C = A @ B 或 C = np.matmul(A, B)。进行矩阵乘法的前提是前一个矩阵的列数必须等于后一个矩阵的行数,切忌将元素对位相乘符号 * 混同于线性代数矩阵乘法。
一、核心必背代码清单
在NumPy中实现矩阵乘法主要有三种方式,推荐优先使用Python 3.5引入的专用矩阵乘法运算符 @,其次是显式函数 np.matmul()。以下是工程实践中最基础、使用频次最高的完整代码示例:
import numpy as np
# 1. 定义两个二维矩阵
# A 的形状为 (2, 3),即 2行3列
A = np.array([
[1, 2, 3],
[4, 5, 6]
])
# B 的形状为 (3, 2),即 3行2列
B = np.array([
[7, 8],
[9, 1],
[2, 3]
])
# 2. 方式一:使用 @ 运算符(强烈推荐,简洁现代)
result_at = A @ B
# 3. 方式二:使用 np.matmul() 函数(与 @ 完全等价)
result_matmul = np.matmul(A, B)
# 4. 方式三:使用 np.dot() 函数(经典二维点积)
result_dot = np.dot(A, B)
# 验证输出结果
print("A @ B 计算结果:\n", result_at)
[[31 19]
[85 55]]
上述计算中,结果矩阵形状为 (2, 2)。以第0行第0列的元素 31 为例,其计算过程为:1*7 + 2*9 + 3*2 = 7 + 18 + 6 = 31。三种方式在二维矩阵下的计算结果完全一致。
二、矩阵乘法的维度匹配与运算推导
矩阵乘法并不是简单地把两个数组对应位置上的数字相乘,而是严格遵循线性代数中的“行乘列求和”规则。只有当第一个矩阵的列数等于第二个矩阵的行数时,乘法才被定义。
三、@、np.matmul 与 np.dot 的本质差异对比
许多初学者容易困惑何时使用 @,何时使用 np.matmul() 或 np.dot()。虽然在处理二维矩阵时三者完全等效,但在高维张量以及与标量运算时存在本质差别:
* 进行线性代数矩阵乘法。A * B 或 np.multiply(A, B) 是 Hadamard 积(对应元素相乘),只有当两个矩阵维度完全相同(或满足广播规则)时才会按位置相乘,其数学含义完全不同。
高维张量的批量矩阵乘法(Batch Matrix Multiplication)
在深度学习模型(如 Transformer 注意力机制)中,经常需要对批处理数据进行矩阵乘。例如形状为 (10, 4, 5) 的数组与 (10, 5, 2) 的数组相乘。此时 @ 和 np.matmul() 会将前缀维度视为批次(Batch),仅在最后两个轴上执行二维矩阵乘,输出形状为 (10, 4, 2):
# 模拟一个 batch_size=4 的三维张量
# 形状: (4, 2, 3) 与 (4, 3, 5)
batch_A = np.random.randn(4, 2, 3)
batch_B = np.random.randn(4, 3, 5)
# 使用 @ 进行批次矩阵乘法
batch_C = batch_A @ batch_B
print("输出张量形状:", batch_C.shape)
四、常见报错排查与解决流程
在编写矩阵乘法代码时,最常见的错误就是维度不匹配导致的 ValueError。例如试图用一个 (2, 3) 的矩阵乘以 (2, 3) 的矩阵:
解决报错的代码示范
import numpy as np
# A: (2, 3), B: (2, 3) 直接乘会触发 ValueError
A = np.array([[1, 2, 3], [4, 5, 6]])
B = np.array([[7, 8, 9], [1, 2, 3]])
# 修复方式 1:对 B 进行转置,使 B.T 形状变为 (3, 2)
C1 = A @ B.T
print("转置后乘法结果形状:", C1.shape)
# 修复方式 2:处理一维向量相乘时的升维
v = np.array([1, 2, 3]) # shape: (3,)
# 将一维向量变为 (3, 1) 的二维列向量
v_col = v[:, np.newaxis]
C2 = A @ v_col
print("矩阵乘列向量结果形状:", C2.shape)
矩阵乘列向量结果形状: (2, 1)
五、知识总结与核心速查
为了在日常开发与考试面试中快速调用,可将NumPy矩阵乘法的关键知识归纳为以下四条必背准则:
- 代码首选:优先使用
C = A @ B,既保证代码可读性,又天然兼容多维张量的批量计算。 - 维度校验:调用前务必通过
A.shape和B.shape确认内侧维度是否匹配。 - 区分算子:牢记
@是线性代数矩阵乘,*是逐元素相乘,切勿混淆。
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。













