【生物AI学习笔记】numpy里的数组ndarray和矩阵matrix相乘法则为何不同?

import numpy as np # 导入numpy pip install numpya = np.array([[1,2],[3,4]]) # 创建数组a_m = np.matrix([[1,2],[3,4]]) # 创建矩阵print(type(a)) #  <class 'numpy.ndarray'>print(type(a_m)) #  <class 'numpy.matrix'>print(a)print(a_m)print(a*a) # 对应位置元素相乘print(a_m*a_m) # 矩阵相乘

<class'numpy.ndarray'> <class'numpy.matrix'> [[12]  [34]] [[12]  [34]] [[ 14]  [ 916]] [[ 710]  [1522]]

推荐教程：【【官方双语/合集】线性代数的本质 - 系列合集】https://www.bilibili.com/video/BV1ys411472E?p=2&vd_source=a7acd0333834a83b26b2cfff703ecb97

1. 标准矩阵乘法：线性变换的复合

• 规则：

• 核心思想：“行与列的点积”
  它将第一个矩阵的行向量与第二个矩阵的列向量进行内积，本质上是在实现线性映射的串联。

• 为什么需要它？
  因为现实中的很多系统是线性的：旋转、缩放、投影、微分方程、神经网络的全连接层……这些都可以用矩阵表示，而系统的先后作用正好对应矩阵乘法。
  如果没有标准乘法，我们就无法用矩阵描述“先做变换 A，再做变换 B”这样的复合过程。

• 注意：它要求 A 的列数 = B 的行数，这是线性映射可复合的维度条件。

2. Hadamard 积：逐点调制

• 规则：

(A⊙B)ij=Aij⋅Bij

• 核心思想：“对应位置相乘”
  它不涉及行与列之间的混合，只是将两个同形状矩阵的每个元素独立相乘。

• 为什么需要它？
  当你想要对矩阵中的每个位置进行独立的缩放、掩码或调制时，就需要它。
  例如：

• 图像处理中，用一张二值掩码矩阵与图像逐元素相乘，可以只保留感兴趣区域。

• 深度学习中的注意力机制：注意力权重矩阵与特征矩阵逐元素相乘，实现“关注哪些位置”。

• 信号处理中的加窗操作。

• 与标准乘法的本质区别：
  Hadamard 积不混合不同位置的信息，它只是原地修改数值，不改变数据的“空间结构”。

• 其实它也要求 A 的列数 = B 的行数

除了这两种乘法，还有一种叫

3. Kronecker 积：结构的张量积

规则：

• 核心思想：“将 A 的每个元素替换为 B 的缩放副本”
  结果是块矩阵，维度是两者维度的乘积。

• 为什么需要它？
  当你要构造更高维的、具有重复块结构的矩阵时，Kronecker 积非常自然。
  例如：

• 量子力学中描述复合系统（两个粒子）的态空间，其算符就是 Kronecker 积。

• 图论中，Kronecker 积用于生成大规模网络（图 Kronecker 积模型）。

• 信号处理中，二维离散傅里叶变换的基矩阵可以由一维基的 Kronecker 积得到。

• 克罗内克积也是求解某些矩阵方程（如 Sylvester 方程）的工具。

• 注意：Kronecker 积不要求两个矩阵有任何形状上的兼容性，任何形状都可以做。它的输出维度是原维度乘积，因此常用于升维。

• 那这个乘积则不需要要求A 的列数 = B 的行数

  总结

  同一个对象（矩阵）可以定义多种运算规则，因为不同的运算服务于不同的目的。矩阵乘法之所以有“好几种”，并不是数学上的混乱，而是因为现实世界的问题需要不同的“组合方式”来处理数据。

  所以我觉得，不能对代码里的运算规则死记硬背，而是要知道背后的原因！几何意义！实际应用的意义和区别！