numpy.dot(vektor_a, vektor_b, ud = Ingen) returnerer prikproduktet af vektorerne a og b. Den kan håndtere 2D-arrays, men betragter dem som matrix og vil udføre matrixmultiplikation. For N dimensioner er det et sumprodukt over den sidste akse af a og den næstsidste af b:
dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])>
Parametre
- vector_a : [array_like] hvis a er kompleks, bruges dets komplekse konjugat til beregningen af prikproduktet. vector_b : [array_like] hvis b er kompleks, bruges dets komplekse konjugat til beregningen af prikproduktet. out : [array, valgfri] output-argument skal være C-sammenhængende, og dets dtype skal være den dtype, der ville blive returneret for dot(a,b).
Punktprodukt af vektorerne a og b. hvis vektor_a og vektor_b er 1D, returneres skalar
lære selen
Kode 1:
Python
java sammenlignelig grænseflade
# Python Program illustrating> # numpy.dot() method> import> numpy as geek> # Scalars> product>=> geek.dot(>5>,>4>)> print>(>'Dot Product of scalar values : '>, product)> # 1D array> vector_a>=> 2> +> 3j> vector_b>=> 4> +> 5j> product>=> geek.dot(vector_a, vector_b)> print>(>'Dot Product : '>, product)> |
>
>
Produktion:
Dot Product of scalar values : 20 Dot Product : (-7+22j)>
How Code1 works ? vector_a = 2 + 3j vector_b = 4 + 5j now dot product = 2(4 + 5j) + 3j(4 +5j) = 8 + 10j + 12j - 15 = -7 + 22j>
Kode 2:
Python
konverter int til streng java
# Python Program illustrating> # numpy.dot() method> import> numpy as geek> # 1D array> vector_a>=> geek.array([[>1>,>4>], [>5>,>6>]])> vector_b>=> geek.array([[>2>,>4>], [>5>,>2>]])> product>=> geek.dot(vector_a, vector_b)> print>(>'Dot Product :
'>, product)> product>=> geek.dot(vector_b, vector_a)> print>(>'
Dot Product :
'>, product)> '''> Code 2 : as normal matrix multiplication> '''> |
java vs c++
>
>
Produktion:
Dot Product : [[22 12] [40 32]] Dot Product : [[22 32] [15 32]]>