Python中np.multiply()、np.dot()与星号(*)乘法的区别

1. np.multiply()：元素级乘法

np.multiply() 函数专门用于执行数组或矩阵的对应位置元素相乘（Hadamard product）。其输出结果的形状与输入数组或矩阵的形状完全一致。无论是处理一维数组还是多维矩阵，该函数均执行逐元素运算。

数组场景示例

当输入为普通 NumPy 数组时，np.multiply() 执行逐元素相乘：

A = np.arange(1,5).reshape(2,2)
B = np.arange(0,4).reshape(2,2)
np.multiply(A,B)

假设 A 为 [[1, 2], [3, 4]]，B 为 [[0, 1], [2, 3]]，则计算结果为 [[0, 2], [6, 12]]。

矩阵场景示例

若需对矩阵执行相同的逐元素乘法，可先将数组转换为矩阵对象（使用 np.mat()），再调用 np.multiply()：

np.multiply(np.mat(A), np.mat(B))

结果同样为 [[0, 2], [6, 12]]。若需获取所有元素的总和，可进一步使用 np.sum()：

np.sum(np.multiply(np.mat(A), np.mat(B)))

此时输出为一个标量值。

2. np.dot()：矩阵乘法与点积

np.dot() 的行为取决于输入数组的秩（维度）：

• 秩为1的数组（一维向量）：执行对应位置元素相乘后求和，即数学上的点积（Dot Product）。
• 秩不为1的数组（二维及以上矩阵）：执行标准的矩阵乘法运算。

二维数组（矩阵）乘法

对于二维数组，np.dot() 执行矩阵乘法。例如：

A = np.arange(1,5).reshape(2,2)
B = np.arange(0,4).reshape(2,2)
np.dot(A,B)

计算结果为 [[4, 7], [8, 15]]。若使用矩阵对象 np.mat(A) 和 np.mat(B)，结果相同。

一维数组点积

对于一维数组，np.dot() 计算点积。例如：

C = np.arange(1,4)
D = np.arange(0,3)
np.dot(C,D)

计算过程为 (1*0) + (2*1) + (3*2) = 8，输出结果为标量 8。

3. 星号（*）运算：语法糖与类型依赖

在 Python 中，星号 * 的行为取决于操作数的类型。它是 NumPy 中一种便捷的语法，但其具体执行逻辑随数据类型变化：

• 对数组（ndarray）：执行对应位置元素相乘（与 np.multiply() 行为一致）。
• 对矩阵（matrix）：执行矩阵乘法运算（与 np.dot() 对矩阵的行为一致）。

数组场景

当操作数为普通数组时，* 执行逐元素乘法：

A = np.arange(1,5).reshape(2,2)
B = np.arange(0,4).reshape(2,2)
A * B

结果为 [[0, 2], [6, 12]]。

矩阵场景

当操作数被转换为矩阵对象时，* 执行矩阵乘法：

(np.mat(A)) * (np.mat(B))

结果为 [[4, 7], [8, 15]]。

总结

选择哪种乘法方式取决于你的数据类型和计算目标：

• 若需逐元素相乘，无论数组或矩阵，均使用 np.multiply()。
• 若需执行矩阵乘法，对二维数组使用 np.dot() 或转换为矩阵后使用 *。
• 若处理一维数组并需计算点积，使用 np.dot()。
• 注意 * 的行为随类型变化，建议在明确数据类型的前提下使用，以避免混淆。

以上就是Python中np.multiply()、np.dot()和星号(*)三种乘法运算的区别详解的详细内容，更多关于Python NumPy乘法运算的资料请关注本站其它相关文章！