python矩阵乘积函数,python中的矩阵乘法

python矩阵乘法是什么？

python实现矩阵乘法的方法

def matrixMul(A, B):

res = [[0] * len(B[0]) for i in range(len(A))]

for i in range(len(A)):

for j in range(len(B[0])):

for k in range(len(B)):

res[i][j] += A[i][k] * B[k][j]

return res

def matrixMul2(A, B):

return [[sum(a * b for a, b in zip(a, b)) for b in zip(*B)] for a in A]

a = [[1,2], [3,4], [5,6], [7,8]]

b = [[1,2,3,4], [5,6,7,8]]

print matrixMul(a,b)

print matrixMul(b,a)

乘积形式

除了上述的矩阵乘法以外，还有其他一些特殊的“乘积”形式被定义在矩阵上，值得注意的是，当提及“矩阵相乘”或者“矩阵乘法”的时候，并不是指代这些特殊的乘积形式，而是定义中所描述的矩阵乘法。在描述这些特殊乘积时，使用这些运算的专用名称和符号来避免表述歧义。

相关问答

Q1: python实现矩阵乘法的方法

python实现矩阵乘法的方法

本文实例讲述了python实现矩阵乘法的方法。分享给大家供大家参考。

具体实现方法如下：

def matrixMul(A, B):

res = [[0] * len(B[0]) for i in range(len(A))]

for i in range(len(A)):

for j in range(len(B[0])):

for k in range(len(B)):

res[i][j] += A[i][k] * B[k][j]

return res

def matrixMul2(A, B):

return [[sum(a * b for a, b in zip(a, b)) for b in zip(*B)] for a in A]

a = [[1,2], [3,4], [5,6], [7,8]]

b = [[1,2,3,4], [5,6,7,8]]

print matrixMul(a,b)

print matrixMul(b,a)

print "-"*90

print matrixMul2(a,b)

print matrixMul2(b,a)

print "-"*90

from numpy import dot

print map(list,dot(a,b))

print map(list,dot(b,a))

#Out:

#[[11, 14, 17, 20], [23, 30, 37, 44], [35, 46, 57, 68], [47, 62, 77, 92]]

#[[50, 60], [114, 140]]

#------------------------------------------------------------------------

#[[11, 14, 17, 20], [23, 30, 37, 44], [35, 46, 57, 68], [47, 62, 77, 92]]

#[[50, 60], [114, 140]]

#------------------------------------------------------------------------

#[[11, 14, 17, 20], [23, 30, 37, 44], [35, 46, 57, 68], [47, 62, 77, 92]]

#[[50, 60], [114, 140]]

希望本文所述对大家的Python程序设计有所帮助。

Q2: 在python3里怎么实现两个矩阵相乘

def mmult(a,b):

zip_b = zip(*b)

return [[sum(ele_a*ele_b for ele_a, ele_b in zip(row_a, col_b))

for col_b in zip_b] for row_a in a]

x = [[1,2,3],[4,5,6],[7,8,9],[10,11,12]]

y = [[1,2],[1,2],[3,4]]

print(mmult(x,y))

或者可以直接用numpy

import numpy as np # I want to check my solution with numpy

mx = np.matrix(x)

my = np.matrix(y)

print(mx * my)

Q3: 《Python神经网络》3——神经网络矩阵乘法

按照以下图示，最终的神经网络调参，以最简单的3层神经网络为例，公式如下：

        怎么求这个函数的最优解？

如果不试图耍聪明，那么我们可以只是简单地尝试随机组合权重，直到找到好的权重组合。

当陷入一个困难的问题而焦头烂额时，这不算是一个疯狂的想法。这种方法一般称为暴力方法。

暴力方法的不好之处：

假设每个权重在-1和+1之间有1000种可能的值。那么对于3层、每层3个节点的神经网络，可以得到18个权重，因此有18000种可能性需要测试。如果一个相对经典的神经网络，每层有500个节点，那么需要测试5亿种权重的可能性。如果每组组合需要花费1秒钟计算，那么对于一个训练样本，就需要花费16年更新权重！对于1000种训练样本，要花费16000年！       这就是暴力方法不切实际之处。

数学家多年来也未解决这个难题，直到20世纪60年代到70年代，这个难题才有了切实可行的求解办法。

如何解决这样一个明显的难题呢？——我们必须做的第一件事是，拥抱悲观主义。