如何用NumPy计算矩阵点积？解决维度不匹配报错问题

嘿，我来帮你搞定这两个NumPy矩阵运算的问题！

NumPy里计算矩阵点积分两种情况，取决于你用的是np.array还是np.matrix：

• 如果你用的是普通数组（np.array）：
  • 可以用np.dot()函数，或者更直观的@运算符（Python 3.5+支持）。注意，数组的*是元素逐位相乘，不是点积哦！
    示例代码：

  import numpy as np
  a = np.array([[1,2], [3,4]])
  b = np.array([[5,6], [7,8]])
  # 方法1：np.dot()
  dot_product1 = np.dot(a, b)
  # 方法2：@运算符
  dot_product2 = a @ b
  print(dot_product1)  # 输出[[19 22], [43 50]]
  

• 如果你用的是矩阵对象（np.matrix）：
  • 直接用*运算符就会自动计算点积，因为np.matrix重载了*来实现矩阵乘法，而元素逐位相乘要用np.multiply()。
    示例代码：

  import numpy as np
  a_mat = np.matrix([[1,2], [3,4]])
  b_mat = np.matrix([[5,6], [7,8]])
  dot_product = a_mat * b_mat
  print(dot_product)  # 同样输出[[19 22], [43 50]]
  

先给你拆解一下报错原因：ValueError: shapes (2,1) and (2,2) not aligned: 1 (dim 1) != 2 (dim 0)——这是因为矩阵相乘的核心规则是前一个矩阵的列数必须等于后一个矩阵的行数。你手里的2×1矩阵（列向量）列数是1，而2×2权重矩阵的行数是2，1≠2，自然没法相乘。

你说用1×2的行向量操作成功但结果不符合预期，大概率是因为你搞反了矩阵相乘的顺序！通常在比如神经网络这类场景里，我们会用权重矩阵左乘输入向量，而不是输入向量左乘权重矩阵。

举个具体的例子，补全你的代码：

import numpy as np
inputs = np.matrix([[1], [0]])  # 2×1的列向量
weights = np.matrix([[1, 2], [3, 4]])  # 2×2的权重矩阵

# 错误操作：inputs * weights → 维度不匹配报错
# 正确操作：weights * inputs → 权重左乘输入向量
result = weights * inputs
print(result)
# 输出结果是[[1], [3]]，这就是符合预期的2×1列向量结果

如果用普通数组的话，逻辑是一样的，用@运算符更清晰：

inputs_arr = np.array([[1], [0]])
weights_arr = np.array([[1,2], [3,4]])
result_arr = weights_arr @ inputs_arr
print(result_arr)  # 输出[[1], [3]]

为什么你用1×2的行向量得到的结果不符合预期？因为(1×2) × (2×2)会得到1×2的行向量，但你想要的应该是列向量输出，调整相乘顺序就完美解决啦！

内容的提问来源于stack exchange，提问作者Ian Rehwinkel