numpy.ma.innerproduct#

ma.innerproduct(a, b, /)[源代码]#

两个数组的内积.

1-D 数组的向量的普通内积(不带复共轭),在更高维度中是最后一个轴上的总和积.

参数:
a, barray_like

如果 a 和 b 是非标量,则它们的最后一个维度必须匹配.

返回:
outndarray

如果 a 和 b 都是标量或都是 1-D 数组,则返回标量;否则,返回数组. out.shape = (a.shape[:-1], b.shape[:-1])

提出:
ValueError

如果 a 和 b 都是非标量,并且它们的最后一个维度具有不同的大小.

参见

tensordot

在任意轴上的和乘积.

dot

广义矩阵乘积,使用 b 的倒数第二个维度.

vecdot

两个数组的向量点积.

einsum

爱因斯坦求和约定.

注释

掩码值将被替换为 0.

对于向量(1-D 数组),它计算普通内积:

np.inner(a, b) = sum(a[:]*b[:])

更一般地,如果 ndim(a) = r > 0 且 ndim(b) = s > 0

np.inner(a, b) = np.tensordot(a, b, axes=(-1,-1))

或显式地:

np.inner(a, b)[i0,...,ir-2,j0,...,js-2]
     = sum(a[i0,...,ir-2,:]*b[j0,...,js-2,:])

此外, a 或 b 可以是标量,在这种情况下:

np.inner(a,b) = a*b

示例

向量的普通内积:

>>> import numpy as np
>>> a = np.array([1,2,3])
>>> b = np.array([0,1,0])
>>> np.inner(a, b)
2

一些多维示例:

>>> a = np.arange(24).reshape((2,3,4))
>>> b = np.arange(4)
>>> c = np.inner(a, b)
>>> c.shape
(2, 3)
>>> c
array([[ 14,  38,  62],
       [ 86, 110, 134]])

>>> a = np.arange(2).reshape((1,1,2))
>>> b = np.arange(6).reshape((3,2))
>>> c = np.inner(a, b)
>>> c.shape
(1, 1, 3)
>>> c
array([[[1, 3, 5]]])

b 为标量的示例:

>>> np.inner(np.eye(2), 7)
array([[7., 0.],
       [0., 7.]])
当前页面