maxframe.tensor.dot

maxframe.tensor.dot(a, b, out=None, sparse=None)

两个数组的点积。具体来说，

• 如果 a 和 b 都是一维数组，则是向量的内积（不进行复共轭）。

• 如果 a 和 b 都是二维数组，则是矩阵乘法，但推荐使用 matmul() 或 a @ b。

• 如果 a 或 b 是 0 维（标量），则等价于 multiply()，推荐使用 numpy.multiply(a, b) 或 a * b。

• 如果 a 是一个 N 维数组，b 是一个一维数组，则是对 a 的最后一个轴和 b 进行求和乘积。

• 如果 a 是一个 N 维数组，b 是一个 M 维数组（其中 M>=2），则是对 a 的最后一个轴和 b 的倒数第二个轴进行求和乘积：

  dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])
  

参数:

• a (array_like) -- 第一个参数。

• b (array_like) -- 第二个参数。

• out (Tensor, optional) -- 输出参数。必须与未使用时返回的类型完全一致。特别是，它必须是正确的类型，必须是 C 连续的，且其 dtype 必须是 dot(a,b) 返回的 dtype。这是一个性能优化特性。因此，如果这些条件不满足，将抛出异常，而不是尝试灵活处理。

返回:

output -- 返回 a 和 b 的点积。如果 a 和 b 都是标量或者都是一维数组，则返回一个标量；否则返回一个 tensor。如果提供了 out，则返回 out。

返回类型:

Tensor

抛出:

ValueError -- 如果 a 的最后一维大小与 b 的倒数第二维大小不同。

参见

vdot

复共轭点积。

tensordot

对任意轴进行求和乘积。

einsum

爱因斯坦求和约定。

matmul

'@' 运算符作为带有 out 参数的方法。

示例

>>> import maxframe.tensor as mt

>>> mt.dot(3, 4).execute()
12

不进行复共轭运算：

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

对于二维数组，它是矩阵乘积：

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

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