Colab中两段NumPy点积代码的结果差异原因咨询

嘿，这个问题抓得很准！核心差异完全在于你定义的数组维度不一样，而NumPy的np.dot函数会根据输入数组的维度，自动切换计算逻辑。咱们一步步拆解：

第一段代码：一维数组的向量点积 #

先看你第一段里的数组：

import numpy as np
x = np.array([1,2,3])
y = np.array([4,5,6])

这里的x和y都是一维数组，用x.shape查看的话，结果是(3,)——注意这不是行向量或者列向量，就是单纯的一维序列。哪怕你做x.T转置，一维数组的转置不会改变它的维度，x.T.shape还是(3,)。

当np.dot接收两个一维数组时，它计算的是标准的向量点积：把对应位置元素相乘后求和，结果就是一个标量（也就是你看到的整数32）。

第二段代码：二维数组的矩阵乘法 #

再看第二段的数组定义：

import numpy as np
x = np.array([[1],[2],[3]])
y = np.array([[4],[5],[6]])

这里的x是二维数组，x.shape是(3,1)——这是一个3行1列的列向量；x.T转置后变成(1,3)的行向量。而y同样是(3,1)的二维数组。

当np.dot接收两个二维数组时，它执行的是矩阵乘法：按照矩阵相乘的规则，(1,3)的行向量和(3,1)的列向量相乘，结果会得到一个(1,1)的二维数组，也就是你看到的array([[32]])。

验证维度的小技巧 #

如果你想确认数组维度，可以在代码里加一行print(arr.shape)，比如：

# 第一段的维度验证
x = np.array([1,2,3])
print(x.shape)  # 输出 (3,)
print(x.T.shape)  # 输出 (3,)

# 第二段的维度验证
x = np.array([[1],[2],[3]])
print(x.shape)  # 输出 (3,1)
print(x.T.shape)  # 输出 (1,3)

总结一下：本质是一维数组（向量）和二维数组（矩阵）的区别，np.dot对一维输入返回标量点积，对二维输入返回矩阵乘法的结果数组。

内容的提问来源于stack exchange，提问作者Jo-won