Numpy数组与向量点积后加法异常：为何得到4x4矩阵而非4x1向量？

问题重现 #

给定以下代码：

import numpy as np

def create_weight_matrix(nrows, ncols):
    """Create a weight matrix with normally distributed random elements."""
    return np.random.default_rng().normal(loc=0, scale=1/(nrows*ncols), size=(nrows, ncols))

def create_bias_vector(length):
    """Create a bias vector with normally distributed random elements."""
    return create_weight_matrix(length,1)

if __name__ == "__main__":
    num_samples = 100
    num_features = 5

    W = create_weight_matrix(4, num_features)
    b = create_bias_vector(4)

    x = np.random.rand(num_samples, num_features)

    y = W.dot(x[1])
    print(y.shape)  # 输出(4,)
    t = y + b
    print(t.shape)  # 输出(4,4)，不符合预期

核心原因：Numpy广播机制的触发 #

• y是(4,)的一维数组（秩1数组）：W形状为(4,5)，x[1]是(5,)的一维数组，点积后得到(4,)的一维数组。
• b是(4,1)的二维数组：create_bias_vector调用create_weight_matrix(length,1)，返回形状为(length,1)的二维数组。

当Numpy对形状不匹配的数组执行加法时，会触发广播规则：

1. (4,)的y会被广播为(4,4)（在第二个维度复制4次）
2. (4,1)的b会被广播为(4,4)（在第一个维度复制4次）
   两者相加后就得到了(4,4)的矩阵。

解决方法 #

有三种常见的修正方式，任选其一即可：

方式1：将y转换为二维数组（保持b的形状不变）

修改y的计算代码，通过reshape或newaxis将其转为(4,1)的二维数组：

y = W.dot(x[1]).reshape(-1, 1)  # 或者 y = W.dot(x[1])[:, np.newaxis]
t = y + b
print(t.shape)  # 输出(4,1)，符合预期

方式2：将b转换为一维数组（保持y的形状不变）

通过squeeze()或flatten()将b转为(4,)的一维数组：

b = create_bias_vector(4).squeeze()
t = y + b
print(t.shape)  # 输出(4,)，若需要(4,1)可再执行t.reshape(-1,1)

方式3：修改create_bias_vector函数，直接返回一维数组

调整函数逻辑，让其生成一维数组而非二维数组：

def create_bias_vector(length):
    """Create a bias vector with normally distributed random elements."""
    return np.random.default_rng().normal(loc=0, scale=1/(length*1), size=length)

此时b为(4,)的一维数组，与y直接相加会得到(4,)的结果，若需要(4,1)可自行转换。

内容的提问来源于stack exchange，提问作者Jimakos