numpy.vecmat#

numpy.vecmat(x1, x2, /, out=None, *, casting='same_kind', order='K', dtype=None, subok=True[, signature, axes, axis]) = <ufunc 'vecmat'>#

两个数组的向量-矩阵点积。

给定 x1 中的向量（或向量栈）\(\mathbf{v}\) 和 x2 中的矩阵（或矩阵栈）\(\mathbf{A}\)，向量-矩阵积定义为

\[\mathbf{b} \cdot \mathbf{A} = \sum_{i=0}^{n-1} \overline{v_i}A_{ij}\]

其中求和是对 x1 的最后一个维度和 x2 的倒数第二个维度进行的（除非指定了 axes），并且 \(\overline{v_i}\) 表示如果 \(v\) 是复数则为复共轭，否则为恒等。 (对于非共轭向量-矩阵积，请使用 np.matvec(x2.mT, x1)。)

2.2.0 版本新增。

参数:

x1, x2array_like: 输入数组，不允许标量。
outndarray, 可选: 存储结果的位置。如果提供，它必须具有 x1 和 x2 的广播形状，且已移除求和轴。如果未提供或为 None，则使用新分配的数组。
**kwargs: 有关其他仅限关键字的参数，请参阅 ufunc 文档。

返回:

yndarray: 输入的向量-矩阵积。

引发:

ValueError

如果 x1 的最后一个维度和 x2 的倒数第二个维度大小不同。

如果传入了标量值。

另请参阅

vecdot: 向量-向量积。
matvec: 矩阵-向量积。
matmul: 矩阵-矩阵积。
einsum: 爱因斯坦求和约定。

示例

沿 X 和 Y 投影一个向量。

>>> v = np.array([0., 4., 2.])
>>> a = np.array([[1., 0., 0.],
...               [0., 1., 0.],
...               [0., 0., 0.]])
>>> np.vecmat(v, a)
array([ 0.,  4., 0.])