Numpy Dot -produkt

Numpy Dot -produktet av Python vil bli diskutert i denne delen. Dot () -metoden i Numpy beregner prikkproduktet for n-dimensjonale matriser i Numpy. Numpy.dot () operasjon tar to numpy matriser som input, beregner prikkproduktet mellom dem og returnerer utgangen. For 1D -matriser er det egentlig den indre opprettelsen av vektorene. Det gjør prikkproduktet på todimensjonale matriser ved å behandle dem som matriser.

Som en konsekvens, multipliser dem med matriksmultiplikasjon. Vi vil utforske hvordan Numpy.DOT () -funksjonen fungerer med vektorer, skalarer, matriser og matriser. Før vi går videre, la oss gi deg en rask oversikt over det numpy dot -produktets syntaks og returtype i Python. Du vil få en hånd på en guide for hvordan du beregner prikkproduktet i Python ved hjelp av Numpy i dette innlegget. Numpy.dot () -metoden har følgende syntaks.

I dette tilfellet er 'A' og 'B' de to inngangsarraysene. Begge matriser skal være endimensjonale eller todimensjonale. Utgangsparameteren for 1-D array skalar som skal returneres er ute. Det returnerer henholdsvis prikkproduktet fra A- og B -matriser. Dot () -funksjonen gjør det indre produktet av vektorer og returnerer et skalarresultat hvis begge matriser, i vårt eksempel 'A' og 'B', er 1-D-matriser. DOT () -metoden utfører matriksmultiplikasjon hvis begge matriser er 2-D-matriser. DOT () -metoden utfører sumproduktet over den siste aksen til A og B hvis 'A' er en N-dimensjonal matrise mens 'B' er en 1-dimensjonal matrise. Det er et produkt av den siste aksen til 'A' og den nest siste aksen til den spesifiserte variabelen 'B' over n-dimensjonale matriser. I maskinlæring er det avgjørende å vite hvordan man tolker og beregner prikkproduktet blant vektorer og skalarer. Dette essayet vil forklare hva faktisk prikkproduktet er og hvordan du beregner det i detalj. Du vil oppdage hvordan du beregner prikkproduktet av to 1-dimensjonale matriser, en 1-dimensjonal matrise og en skalar, og to 2-dimensjonale matriser.

Eksempel 1:

I det foregående eksemplet blir to skalarverdier levert som argumenter til NP.dot () funksjon. Som et resultat multipliserer denne numpy prikkmetoden to skalarverdier for å få prikkproduktet. np.Dot () produserer 24 når en = 6 og to = 4.

Importer numpy som NP
en = 6
To = 4
res = np.prikk (en, to)
trykk (res)

Følgende er resultatet av Scalar Numpy Dot -produktet.

Eksempel 2:

Numpy Dot -funksjonen bestemmer prikksummen av to komplekse vektorer i dette eksemplet. Fordi 'en' og 'to' er sammensatte, kreves det et komplekst konjugat av en av de to komplekse vektorene. Det komplekse konjugatet til 'Two' er ansatt i dette tilfellet (6 + 7J) og (6_7J). Prikkproduktet beregnes ved hjelp av NP.DOT () Funksjon som 3 (6 + 7J) + 2J (6 - 7J). 18+ 21J+ 12J - 14 = 4+ 33J er #Complex Conjugate of 'Two'. Som et resultat av å levere 'One' og 'Two' som parametere til NP.dot () -funksjon, utgangen er (4+33J).

Importer numpy som NP
en = 3 + 2j
To = 6 + 7J
res = np.prikk (en, to)
Print ("Output:", res)

Utgangen fra den foregående koden er vedlagt.

Eksempel 3:

Dot -produktet av 1D -matriser er demonstrert i dette eksemplet. For å begynne.Array () -metode. Arraysene erklært som 'en' og 'to' er i utgangspunktet endimensjonale matriser. Dot -produktet for disse to 1D -matriserene beregnes ved å bruke Numpy Dot -funksjonen som følger:

[2, 3, 1, 6]. [1, 2, 3, 4] = 2*1 + 3*2 + 1*3 + 6*4 = 35

Som et resultat av å gi A og B endimensjonale matriser til NP.dot () -funksjon, utgangen er en skalærverdi på 35.

Importer numpy som NP
en = np.Array ([2, 3, 1, 6])
To = NP.Array ([1, 2, 3, 4])
res = np.prikk (en, to)
trykk (res)

Henvis til vedlagte skjermbilde for å se utdataene.

Eksempel 4:

Dot -produktet over 2D -matriser er vårt endelige eksempel. NP.Array () teknikk lager to matriser, en og to, i dette tilfellet. 'En' og 'to' matriser som er konstruert er todimensjonale matriser. Dot-produktet av to inngangsarrays returneres når to todimensjonale matriser multipliseres med en matrise. Dot -produktet av 3D -matriser beregnes som:

[[1, 0], [4, 3]].[[2, 3], [6, 7]]
= [[1*2+0*6, 1*3+0*7], [4*2+3*6, 4*3+3*7]]
= [[2, 3], [26, 33]

Den resulterende utgangen er også en 2D -matrise når en og to 2D -matriser sendes til NP.dot () funksjon.

Importer numpy som NP
en = np.Array ([[1, 0], [4, 3]])
To = NP.Array ([[2, 3], [6, 7]])
res = np.prikk (en, to)
trykk (res)

Utgangen, som er en 2D -matrise, kan sees her.

Konklusjon:

Numpy er den viktigste Python -pakken for numerisk beregning. Det er et numerisk operasjonsbibliotek som har vært effektivt. Numpys støtte gjør jobben mye enklere. Når du brukes sammen med Numpy, utvider flere biblioteker som OpenCV, Scipy og Matplotlib din programmeringskunnskap. I denne artikkelen lærte vi om Pythons prikkprodukt. Pythons numpy.dot () -funksjonen returnerer prikken produsert fra to matriser. Vi inkluderte en måte å oppdage prikkproduktet fra skalarer og komplekse vektorer. Med grundige eksempler oppdaget vi i tillegg måten å bruke Numpy Dot -karakteristikken på 1D- og 2D -matriser.