python 点乘_点积(dot)运算及简单应用
写在最前面
1.本文将尽量简明直观的介绍点积运算，及其在python中的简单应用。对点积运算的理解将对机器学习的算法编写提供相当大的帮助。
2.本文代码使用python及numpy科学算法库进行编写。
3.很重要的一点是：向量A与向量B的点积 并不等于 向量B与向量A的点积，我们用A·B表示两个向量的点积运算，则A·B!=B·A(或者你习惯于A·B<>B·A的表述)。
一维相量的点积运算
若A 和 B 均为一维向量，且均包含有n个元素，则A与B的点积为：
A[0]B[0]+A[1]B[1]+...+A[n]*B[n]。
# A 和 B 均为一维向量，且均包含有n个元素，则A与B的点积为：
# A[0]*B[0]+A[1]*B[1]+...+A[n]*B[n]。
# 即下标相同的元素的乘积之和。没错，出来的是一个数字。
# 举个例子
A=[1,2,3,4,5]
B=[5,4,3,2,1]
print('A与B的点积为:',np.dot(A,B)) #此处np.dot(A,B)就是求A与B的点积运算
#输出>A与B的点积为: 35
上例中，35=1*5+2*4+3*3+4*2+5*1=5+8+9+8+5
如果你认为这很简单，那么有没有想过二维向量的点积会如何呢？
哦，对了，提一句。一般我们使用大写字母表示向量，小写字母表示具体的某一项。不出意外的话，是国际通用的。
二维向量的点积运算
二维数组的点积相对复杂一些。
先来个简单的例子解释一下：
我们还是假设有A，B两个向量。如果A，B都是(2,2)向量，那么A和B的点积将会组成一个新的向量，我们叫做C。
猜猜C会长什么样子呢？C将是(2,2)向量。先来看例子，再来解释。
A = [[1, 2],[3,7]]
B = [[4, 3],[5, 0]]
print('A与B的点积为:\n',np.dot(A,B))
#输出>a与b的点积为:
[[14 3]
[47 9]]
这个结果是如何出来的呢？请原谅我没有手写板，直接在纸上画了。
A·B
或许你已经看出规律：
1.A的第一行与B的第一列，对应元素的乘积之和，构成了新向量C的第一行第一列，坐标为(0,0)的元素。
2.A的第一行与B的第二列，对应元素的乘积之和，构成了新向量C的第一行第二列，坐标为(0,1)的元素。
3.A的第二行与B的第一列，对应元素的乘积之和，构成了新向量C的第二行第一列，坐标为(1,0)的元素。
总结来看，新向量元素的坐标，y值取决于A向量所处的行，x值取决于B向量所处的列。而每个元素的计算，总是A的行元素与B的列元素的点积。
所以，如果两个二维向量想实现点积运算，是需要有一定条件的。条件是什么呢？
假如要计算 A·B，那么，A(点击号前面的向量)中x方向元素的数量应该于B(点积号后面的向量)中y方向的数量相同。
关于我在文章中对向量的标识，这里需要稍微提一下。如果A为(3,2)向量，则代表A在y方向有3个元素，在x方向有两个元素，就像下图那样。
A的坐标表示
是不是比手写的漂亮了很多？恩恩，是的。
接下来，我们将对上面提出的两个向量点积的前提条件，做个实例。
A=np.array([1,2,3,4]).reshape(4,1)
B=np.array([1,2,3,4,5,6,7,8]).reshape(2,4)
print('A与B的点积为:\n',np.dot(A,B))
#>报错：shapes (4,1) and (2,4) not aligned: 1 (dim 1) != 2 (dim 0)
上面的代码中，我们将A声明为(4,1)向量，将B声明为(2,4)向量。A和B的具体形式为：
A:[ [1]
[2]
[3]
[4] ]
B:[ [1 2 3 4]
[5 6 7 8] ]
当我们执行点积运算时，报错了，因为A的x方向为1个元素，而b的y方向为2个元素。无法进行点积运算。 如果我们稍作修改，将A和B的位置颠倒，事情将大不相同。如下：
A=np.array([1,2,3,4]).reshape(4,1)
B=np.array([1,2,3,4,5,6,7,8]).reshape(2,4)
print("A\n",A)
print("B\n",B)
print('B与A的点积为:\n',np.dot(B,A))
#>输出：
A:[ [1]
[2]
[3]
[4] ]
B:[ [1 2 3 4]
[5 6 7 8] ]
B与A的点积为:
[ [30]
[70] ]
B与A的值均未变，我们只是更换了A与B的位置，B·A中，B的x方向有4个元素，A的y方向有四个元素。最终的结果，C在y方向上跟随B，有两个元素；在x方向上跟随A，有一个元素。C：(2,1)。
这有什么用
点击运算是向量运算中的一种，在程序中使用向量运算，可以大大提升执行效率。就点积运算而言，对于机器学习的算法编写，是大有帮助的。接下来我们将做一个简单的介绍，如果你并没有接触机器学习，依然可以看一下，这个例子并不复杂。
而关于机器学习，后期会有一系列文章。
在下面例子中，你只需要知道它是机器(深度)学习中的一部分就可以了，无需考虑太多关于机器学习的内容。
现在我们有两组数据，用L1和L2表示，L1,1表示第一组元素的第一个数，L2,3表示第二组元素的第三个数。
L1-L2关系
用L2,1举例，我们要求L2,2=w2,1×L1,1+w2,2×L1,2
其中 wx,y表示L2中，第x个元素对应于L1中第y个元素所特有的参数。上图L1和L2构成了一个2×3的网络。则L2中对应的w的总数量应该为2×3=6个。
要实现一个等式计算出所有L2中三个元素最终的值，我们就用到了点积。如下：
1.向量A1表示L1中两个元素的输出值，则A1：(2,1)
2.向量W表示L2中所有的w，则W：(3,2)。L2中总共三个元素，每个元素对应2个w值。
3.用展开的方式书写：
L2,1=w1,1×A11,1+w1,2×A11,2
L2,2=w2,1×A11,1+w2,2×A11,2
L2,3=w3,1×A11,1+w3,2×A11,2
最终构成的L2 我们用向量A2表示，则A2：（3,1）。
所以，有没有想到上面我们提到的点积？用点积表示：A2=W·A1
在程序里试一下：
A1=np.array([1,2]).reshape(2,1)
W=np.array([1,2,3,4,5,6]).reshape(3,2)
print('A2=W·A1:\n',np.dot(W,A1))
#>输出:
A2=W·A1:
[ [ 5]
[11]
[17] ]
如果不用点积，你要写多少代码呢？更重要的是，点积节约了大量运算的时间。
转发请注明出处！