本文深入探讨numpy数组乘法中`*`运算符与`np.dot()`/`np.matmul()`函数的关键区别。`*`运算符执行元素级乘法，并遵循numpy的广播机制；而`np.dot()`和`np.matmul()`则用于执行矩阵乘法或点积。理解这两种操作的内在逻辑和适用场景，以及如何通过重塑数组来满足不同乘法运算的要求，对于高效、准确地使用numpy至关重要。

在NumPy中进行数组乘法时，初学者常常会对*运算符和np.dot()（或np.matmul()）函数的行为感到困惑。这两种乘法操作虽然都涉及数组元素，但其数学含义和执行机制截然不同。正确区分并应用它们，是掌握NumPy高级功能的基础。

1. NumPy中的元素级乘法 (* 运算符)

*运算符在NumPy中执行的是元素级（element-wise）乘法。这意味着它会将两个数组中对应位置的元素进行相乘，并返回一个新的数组。为了使这种操作成为可能，两个数组必须具有兼容的形状。NumPy通过其强大的广播（broadcasting）机制来处理形状不匹配的数组。

广播机制

广播机制允许NumPy在执行算术运算时，自动扩展较小数组的形状，使其与较大数组的形状兼容。广播遵循一系列规则：

1. 如果两个数组的维度数不同，那么维度较小的数组的形状会在其前面填充1，直到它们的维度数相同。
2. 从最后一个维度开始，逐个比较两个数组的维度。如果维度相等，或者其中一个维度为1，则它们是兼容的。
3. 如果某个维度不兼容（即不相等且都不为1），则会引发错误。

示例分析

考虑以下两个NumPy数组：

import numpy as np

a = np.array([1, 2, 3])  # 形状: (3,)
b = np.array([[1]])      # 形状: (1,1)

当我们尝试执行 a * b 时，NumPy会应用广播规则：

1. 维度填充: a 是1维数组，b 是2维数组。a 会被视为 (1, 3)。
2. 形状比较:
   • a 的形状: (1, 3)
   • b 的形状: (1, 1)
   • 从右往左比较：
     • 最后一个维度：3 和 1。兼容（其中一个为1）。
     • 倒数第二个维度：1 和 1。兼容（相等）。
3. 广播过程: b 的 1 会沿着其第二个维度（列）广播3次，使其成为 [[1, 1, 1]]。a 的 [1, 2, 3] 会沿着其第一个维度（行）广播1次，使其成为 [[1, 2, 3]]。
4. 元素级乘法: [[1, 2, 3]] * [[1, 1, 1]] 结果为 [[1*1, 2*1, 3*1]] 即 [[1, 2, 3]]。

result_element_wise = a * b
print(f"a 的形状: {a.shape}")
print(f"b 的形状: {b.shape}")
print(f"a * b 的结果: {result_element_wise}")
print(f"a * b 的结果形状: {result_element_wise.shape}")
# 输出:
# a 的形状: (3,)
# b 的形状: (1,1)
# a * b 的结果: [[1 2 3]]
# a * b 的结果形状: (1, 3)

这解释了为什么 a * b 会得到 [[1, 2, 3]]。

2. NumPy中的矩阵乘法 (np.dot() 和 np.matmul())

如果你的目标是执行线性代数中的矩阵乘法（或点积），那么应该使用 np.dot() 或 np.matmul() 函数。这两个函数在大多数情况下行为相似，但在处理多维数组时略有不同（np.matmul() 对堆叠矩阵乘法更友好）。

矩阵乘法规则

对于矩阵乘法 A @ B (或 np.dot(A, B)), 假设 A 的形状是 (m, n)，B 的形状是 (n, p)，那么结果矩阵的形状将是 (m, p)。关键在于第一个矩阵的列数必须等于第二个矩阵的行数。

N世界

一分钟搭建会展元宇宙

138 查看详情

实现期望结果

用户期望的结果是 [[1],[2],[3]]，这是一个形状为 (3,1) 的矩阵。要实现这个结果，我们需要将 a 数组转换为一个列向量（形状为 (3,1)），然后与 b 数组进行矩阵乘法。

a_reshaped = a.reshape(3, 1) # 将 a 转换为列向量
print(f"重塑后 a 的形状: {a_reshaped.shape}")

# 使用 np.dot 进行矩阵乘法
result_dot_product = np.dot(a_reshaped, b)
print(f"np.dot(a_reshaped, b) 的结果: {result_dot_product}")
print(f"np.dot(a_reshaped, b) 的结果形状: {result_dot_product.shape}")

# 使用 np.matmul 也可以
result_matmul = np.matmul(a_reshaped, b)
print(f"np.matmul(a_reshaped, b) 的结果: {result_matmul}")
print(f"np.matmul(a_reshaped, b) 的结果形状: {result_matmul.shape}")

# 输出:
# 重塑后 a 的形状: (3, 1)
# np.dot(a_reshaped, b) 的结果:
# [[1]
#  [2]
#  [3]]
# np.dot(a_reshaped, b) 的结果形状: (3, 1)
# np.matmul(a_reshaped, b) 的结果:
# [[1]
#  [2]
#  [3]]
# np.matmul(a_reshaped, b) 的结果形状: (3, 1)

通过将 a 重塑为 (3,1)，我们成功地进行了矩阵乘法，得到了期望的 (3,1) 形状的数组。

3. 特殊情况与注意事项

在上述示例中，有一个值得注意的特殊情况：在将 a 重塑为 (3,1) 后，如果继续使用 * 运算符，它竟然也给出了与 np.dot() 相同的结果！

a_reshaped = a.reshape(3, 1) # 形状: (3,1)
b = np.array([[1]])          # 形状: (1,1)

result_element_wise_reshaped = a_reshaped * b
print(f"a_reshaped * b 的结果: {result_element_wise_reshaped}")
print(f"a_reshaped * b 的结果形状: {result_element_wise_reshaped.shape}")

# 输出:
# a_reshaped * b 的结果:
# [[1]
#  [2]
#  [3]]
# a_reshaped * b 的结果形状: (3, 1)

为什么会这样？同样是广播机制在起作用：

1. a_reshaped 形状: (3, 1)
2. b 形状: (1, 1)
3. 从右往左比较：
   • 最后一个维度：1 和 1。兼容。
   • 倒数第二个维度：3 和 1。兼容（其中一个为1）。
4. 广播过程: b 的 1 会沿着其第一个维度（行）广播3次，使其成为 [[1],[1],[1]]。
5. 元素级乘法: [[1],[2],[3]] * [[1],[1],[1]] 结果为 [[1*1],[2*1],[3*1]] 即 [[1],[2],[3]]。

重要提示：

尽管在这个特定例子中，重塑后的 a_reshaped * b 与 np.dot(a_reshaped, b) 得到了相同的结果，但这仅仅是巧合，并且是广播规则在特定形状下产生的副作用。

• *`` 运算符始终执行元素级乘法。**
• np.dot() / np.matmul() 始终执行矩阵乘法。

为了代码的清晰性、可读性和正确性，当你需要进行矩阵乘法时，务必使用 np.dot() 或 np.matmul()。 依赖 * 运算符在特定广播场景下“恰好”得到矩阵乘法的结果，是非常危险且容易出错的做法。在更复杂的矩阵或多维数组操作中，这种混淆可能导致难以发现的逻辑错误。

总结

理解NumPy中 * 运算符和 np.dot() / np.matmul() 的区别是进行高效数值计算的关键。

• *`` 运算符 用于元素级乘法，并依赖于NumPy的广播机制**来处理形状不兼容的数组。
• np.dot() 或 np.matmul() 用于矩阵乘法（或点积），要求输入数组的维度符合线性代数的规则。

始终根据你期望的数学运算类型来选择正确的工具。如果目标是对应位置元素相乘，请使用 *；如果目标是矩阵乘法，请使用 np.dot() 或 np.matmul()，并在必要时使用 reshape() 来调整数组形状以满足乘法要求。

以上就是NumPy数组乘法详解：*运算符与np.dot()的区别与应用的详细内容，更多请关注其它相关文章！

# 工具  # 区别  # 网络营销与推广客户  # 鹿泉区上门网站优化商家  # 女鞋店铺设计营销推广  # 佛山安天网站优化方案  # 淮安如何做网站推广运营  # 银海区网络营销推广中心  # 苏州工商网站优化模式  # 转换为  # 这两种  # 较小  # 请使用  # 其中一个  # 第一个  # 使其  # 第二个  # 多维  # 运算符  # 为什么  # 微信的seo优化  # seo备案技巧  # 洛阳网站运营优化系统 

相关栏目： 【 科技资讯46185 】 【 网络学院92790 】

相关推荐： Composer的 archive 命令怎么用_快速打包你的PHP项目及其Composer依赖  学习通网页版快速入口 学习通官网网页版直接打开  php源码怎么看淘宝客系统_看php源码淘宝客系统技巧  HTML长属性值处理：表单action路径优化与代码规范应对  vivo浏览器怎么扫描二维码 vivo浏览器内置扫一扫功能使用方法  css绝对定位元素脱离父容器怎么办_确保父元素position非static  拷贝漫画电脑版官网入口 拷贝漫画(PC版)在线直达  解决Django多数据库/多Schema环境下外键迁移问题  windows10怎么查看硬盘序列号_windows10硬盘id查询命令  在J*a中如何开发简易博客标签推荐系统_博客标签推荐项目实战解析  谷歌浏览器怎么给标签页静音_Chrome标签静音快捷操作  Win10怎么设置静态IP地址 Win10手动配置IP地址步骤【指南】  Golang如何优化内存分配与垃圾回收_Golang内存管理与GC优化实践  黑鲨3Pro怎样在相册开漫画风滤镜_iPhone黑鲨3Pro相册开漫画风滤镜【趣味滤镜】  使用 Pandas 高效处理 .dat 文件：字符清理与数据计算  Windows 11怎么彻底关闭定位_Windows 11服务中禁用Geolocation  Python Socket多播通信中指定源IP地址的实践指南  必由学官方网站入口 必由学学生教师共用登录通道  快手网页版在线登录 快手网页版官网入口快速访问  PostgreSQL海量数据高效导入策略：Python与Django实践指南  将HTML动态表格多行数据保存到Google Sheet的教程  企业名称高精度匹配：N-gram方法在结构相似性分析中的应用  Win11怎么关闭快速启动_Win11彻底关机设置教程  2026年发布！ 美少女养成动作RPG《神剑少女战记》发布实机演示  AO3官方在线访问地址 Archive of Our Own最新镜像合集  抓大鹅无需下载版 抓大鹅秒玩版入口  2026春节假期时间安排 2026春节假日查询  Lar*el用户头像管理：实现图片缩放、存储与旧文件安全删除的最佳实践  CSS Grid如何控制元素对齐_align-items与justify-items组合使用  妖精漫画网页版登录入口免费_妖精漫画官网主页直接阅读漫画  Odoo 16：在表单视图中基于当前记录动态修改Tree视图属性  深入理解J*a合成构造器：何时以及为何阻止其生成  4399免费游戏网址入口 4399小游戏免费入口点开即玩  俄罗斯Yandex搜索引擎入口_Yandex官网免登录一键访问  探索高级语言到原生C/C++的转译：挑战与内存管理策略  vivo手机参数配置怎么增强信号_vivo手机参数配置信号增强方法  斑马英语APP如何开启夜间护眼阅读_斑马英语APP夜间模式与低蓝光设置教程  谷歌google账号怎么注册账号 谷歌账号注册官方流程  必由学官网快捷入口 必由学网页版在线学习平台  内存疯狂猛猛涨价：主板销量直接腰斩！  MAC怎么在地图App里使用“四处看看”_MAC体验部分城市的3D实景街景  CKEditor 5 自定义构建在React应用中渲染失败的调试与解决  windows10怎么查看本机ip_windows10命令提示符ipconfig使用  漫蛙漫画网页端入口 漫蛙2官方正版漫画站点  win11 Snap Layouts怎么用 Win11窗口布局与分屏多任务高效指南【必学】  蛙漫移动版在线看 蛙漫手机浏览器直达入口  Lar*el头像管理：图片缩放与旧文件删除的最佳实践  58动漫网在线官方网 58动漫网正版动漫入口网址  Excel Power Pivot如何处理XML数据源 构建高级数据模型  Django AJAX 文件上传教程：解决图片无法保存到模型的常见问题