Numpy Matrix -multiplikasjon
Numpy Matrix Multiplication in Python
I Python vil vi effektivt utføre matriksmultiplikasjonen ved hjelp av numpy metodene. Alle metoder er definert perfekt i de kommende seksjonene. Som navnet antyder, Matrix -multiplikasjon, multipliserer vi bare matrisen for å løse de matematiske problemene. Vi kan bruke de forskjellige funksjonene for matriksmultiplikasjon i Python som er definert i Numpy Library. Syntaks for alle disse metodene er forklart i følgende avsnitt.
Syntaks av matrisemultiplikasjonsmetoden
Her vil vi forklare syntaks for matriksmultiplikasjoner i forskjellige dimensjoner.
Syntaksen for en 2D -matrise ved bruk av prikkfunksjonen er gitt som følger:
Mm = numpy.prikk (a, b)Eller
Mm = a@bHer er Numpy et Python -bibliotek og variablene “A” og “B” er matriser som vi bruker multiplikasjonen. Etter det har vi en annen måte å utføre matriksmultiplikasjonen som er nevnt tidligere. Vi kan bruke "@" mellom to matriser for å utføre multiplikasjon og syntaks for en 3D -matrise ved å bruke følgende metode:
Mm = numpy. Matmul (A, B, C)Eller
Mm = numpy. Tensordot (A, B, Axes)Vi trenger tre parametere her: “A”, “B” og “Axes”. Her er "A" og "B" -variablene to matriser, og aksene er også definert i funksjonen. Hvis aksens verdi er 0, betyr det at matriser har kryssproduktet.
Installer og importer Numpy -biblioteket
Åpne Python -applikasjonen. Vi oppretter en ny Python -fil der vi importerer Numpy -biblioteket. Men vi må installere et numpy bibliotek først.
Kjør følgende kommando i applikasjonsterminalen:
Pip installer numpyVi gir nytt navn til filen deretter. Nå importerer vi et numpy bibliotek for å utføre multiplikasjon av matriser og alias Numpy -biblioteket som "NP".
Importer numpy som NPPå denne måten installerer og importerer vi Numpy -biblioteket i Python -applikasjonen vår. La oss nå ha noen eksempler relatert til Matrix -multiplikasjonen.
Eksempel 1:
Dette er vårt første eksempel der vi multipliserer en 2D -matrise ved hjelp av Numpy Library -metoden. Referansekoden til dette eksemplet er nevnt i følgende:
ARR1 = NP.Array ([[2,7], [6,9]])
arr2 = np.Array ([[2,5], [4,8]])
res = np.DOT (ARR1, ARR2)
trykk (res)
Her bruker vi DOT -metoden for matriksmultiplikasjon. Som illustrert tidligere, initialiserer vi to matriser kalt “ARR1” og “ARR2” og passerer disse to matriser i “Dot” -metoden ved å ringe det gjennom Numpy Library. Vi lagrer verdien som prikkmetoden returnerer i "res" -variabelen. Til slutt passerer vi "Res" -variabelen i utskriftserklæringen for å vise utdataene på skjermen.
Resultatet som vi får fra forrige kode er gitt i følgende:
[[32 66][48 102]]
Som vi kan se, vises utgangen i en matrise etter multiplikasjon [[32 66] [48 102]].
Eksempel 2:
Den andre forekomsten er også koblet til 2D -matrisen der bare to matriser er involvert. I dette eksemplet bruker vi “@” -operatøren for matriksmultiplikasjon. Referansekoden til dette eksemplet er vedlagt i følgende:
ARR1 = NP. Array ([[6,3], [2,7]])
arr2 = np. Array ([[1,9], [4,3]])
res = arr1 @ arr2
trykk (res)
Her importerer vi Numpy Library. Deretter initialiserer vi matriser og navngir dem som “ARR1” og “ARR2” i koden vår. Etter det bruker vi “@” mellom to matriser for multiplikasjon og lagrer denne multiplikasjonsverdien i “Res” -variabelen. Til slutt passerer vi "Res" -variabelen i utskriftserklæringen for å vise utgangen på konsollen.
Utgangen til dette eksemplet er vedlagt i følgende:
[[18 63][30 39]]
Multiplikasjonen av to matriser er også en matrise [18 63] [30 39]].
Eksempel 3:
Dette er et annet eksempel på matriksmultiplikasjon. Men i dette tilfellet multipliserer vi mer enn to matriser. Vi bruker Numpy Library “Matmul” -metoden her. Referansekoden til multi-dimensjonsmatriser er vedlagt som følger:
ARR1 = NP. Array ([[4,7], [2,6]])
arr2 = np. Array ([[7,9], [1,3]])
arr3 = np. Array ([[9,2], [5,8]])
utgang = np.MATMUL (ARR1, ARR2, ARR3)
Print (Output)
Her initialiserer vi tre matriser kalt “ARR1”, ”ARR2” og “ARR3”. Etter det kaller vi “Matmul” -metoden til Numpy -biblioteket og passerer disse tre matriser i denne metoden. Vi lagrer multiplikasjonen av matriser i "output" -variabelen. Til slutt passerer vi "output" -variabelen i utskriftserklæringen for å vise utgangen på konsollen.
Utgangen til disse matriseres multiplikasjon er [[35 57] [20 36]] som nevnt i følgende:
[[35 57][20 36]]
Eksempel 4:
I dette eksemplet vil vi diskutere Tensordot -funksjonen for Matrix Multiplication. Referansekoden til dette eksemplet er vedlagt i følgende:
AR = NP.Array ([[1, 2, 6], [3, 4, 8]])
br = np.Array ([[9, 4], [2, 2], [1, 2]])
d = np.Tensordot (AR, BR, Axes = 1)
trykk (d)
Her tar vi to matriser som heter “AR” og “BR”. Etter det kaller vi “Tensordot” -metoden fra Numpy Library der vi passerer disse to matriser og akser. Her erklærer vi en "D" -variabel for å lagre resultatet av matriksmatriser. Til slutt passerer vi variabelen “D” i utskriftserklæringen for å vise resultatet av matriksmultiplikasjon på en konsoll. I dette eksemplet multipliserer vi matriser hvis dimensjon er 3 × 2. I den første matrisen har vi 2 rader og 3 kolonner. Mens vi har 3 rader og 2 kolonner i den andre matrisen.
Utgangen fra Tensordot -funksjonen er nevnt i det følgende. Resultatet etter matrisemultiplikasjonen er [[19 20] [43 36]] som du kan se i følgende:
[[19 20][43 36]]
Konklusjon
Vi konkluderer med at de numpy biblioteksmetodene er avgjørende for matriksmultiplikasjon. Her brukte vi fire forskjellige måter for matriksmultiplikasjon. Vi ser at når to eller tre matriser multipliseres, på slutten (etter multiplikasjon), eksisterer bare en matrise. Husk at NP.Matmul () og NP.Tensordot () -funksjoner brukes til å utføre matriksmultiplikasjonene på flerdimensjonale matriser; Deres dimensjoner og former skal samsvare med dette. Forhåpentligvis er alle de illustrerte eksemplene nyttige for deg. Du kan øve på disse eksemplene i Python -applikasjonen din.