numpy.dot #

麻木的。点（a， b， out =无）#

两个数组的点积。具体来说，

如果a和b都是一维数组，则它是向量的内积（没有复共轭）。
如果a和b都是二维数组，则为矩阵乘法，但最好使用matmulor 。a @ b
如果a或b是 0-D（标量），则它等效于 multiply并且优选使用or 。numpy.multiply(a, b)a * b
如果a是 ND 数组，b是一维数组，则它是a和b的最后一个轴上的和积。
如果a是 ND 数组，b是 MD 数组（其中），则它是a的最后一个轴和b的倒数第二个轴的 M>=2和积：
```
dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])
```

它尽可能使用优化的 BLAS 库（请参阅参考资料numpy.linalg）。

参数：

类似数组: 第一个论点。
b类数组: 第二个论点。
输出ndarray，可选: 输出参数。它必须具有与未使用时将返回的确切类型。特别是，它必须具有正确的类型，必须是 C 连续的，并且其数据类型必须是为dot(a,b)返回的数据类型。这是一个性能特征。因此，如果不满足这些条件，则会引发异常，而不是尝试灵活处理。

返回：

输出数组: 返回a和b的点积。如果a和b都是标量或都是一维数组，则返回标量；否则返回一个数组。如果给出了out，则将其返回。

加薪：

值错误: 如果a的最后一个维度与b的倒数第二个维度的大小不同。

也可以看看

vdot: 复共轭点积。
tensordot: 对任意轴求和积。
einsum: 爱因斯坦求和约定。
matmul: “@”运算符作为不带参数的方法。
linalg.multi_dot: 链式点积。

例子

>>> np.dot(3, 4)
12

这两个参数都不是复共轭的：

>>> np.dot([2j, 3j], [2j, 3j])
(-13+0j)

对于二维数组，它是矩阵乘积：

>>> a = [[1, 0], [0, 1]]
>>> b = [[4, 1], [2, 2]]
>>> np.dot(a, b)
array([[4, 1],
       [2, 2]])

>>> a = np.arange(3*4*5*6).reshape((3,4,5,6))
>>> b = np.arange(3*4*5*6)[::-1].reshape((5,4,6,3))
>>> np.dot(a, b)[2,3,2,1,2,2]
499128
>>> sum(a[2,3,2,:] * b[1,2,:,2])
499128