numpy.linalg.matmul#

linalg.matmul(x1, x2, /)[источник]#

Вычисляет матричное произведение.

Эта функция совместима с Array API, в отличие от numpy.matmul.

Параметры:

x1array_like: Первый входной массив.
x2array_like: Второй входной массив.

Возвращает:

выходndarray: Матричное произведение входных данных. Это скаляр только когда оба x1, x2 являются 1-D векторами.

Вызывает:

ValueError

Если последнее измерение x1 не имеет того же размера, что и предпоследнее измерение x2.

Если передано скалярное значение.

Смотрите также

numpy.matmul

Примеры

Для 2-D массивов это матричное произведение:

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

Для 2-D, смешанного с 1-D, результат обычный.

>>> 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])

Трансляция (broadcasting) является стандартной для стеков массивов

>>> 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

Вектор, вектор возвращает скалярное внутреннее произведение, но ни один аргумент не является комплексно-сопряжённым:

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

Скалярное умножение вызывает ошибку.

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