Автор оригинала: Team Python Pool.
NumPy Kronecker Delta | Что такое NumPy.kron()?
Привет гики и добро пожаловать в этой статье мы рассмотрим дельта-функцию NumPy Kronecker. Наряду с этим, для общего лучшего понимания, мы также рассмотрим его синтаксис и параметр. Затем мы увидим применение всей теоретической части на нескольких примерах. При написании нашей программы мы представляем нашу функцию как NumPy.kron(). Но сначала попробуем понять, что вообще означает Кронекер. Мы можем понимать функцию Кронекера как операцию над 2 матрицами произвольных размеров, приводящую к блочной матрице в математических терминах. Для обозначения этой операции используется символ”⊗”. Таким образом, мы можем сделать вывод, что NumPy Kronecker delta или NumPy.kron() помогают нам найти произведение Кронекера 2 входных массивов. Далее мы рассмотрим синтаксис, связанный с функцией.
СИНТАКСИС NUMPY KRONECKER DELTA
numpy.kron(a, b)Здесь мы видим, что функция имеет простой синтаксис и имеет только 2 параметра. В следующем разделе мы рассмотрим его параметр, а также тип возвращаемого значения.
ПАРАМЕТР ДЕЛЬТЫ NUMPY KRONECKER
a,b: array_like
Этот параметр представляет собой 2 входных массива, из которых необходимо вычислить произведение Кронекера.
ВЕРНУТЬ
Функция возвращает ndarray, представляющий произведение Кронекера наших входных данных. Мы рассмотрели всю необходимую теорию, связанную с нашей функцией. Кроме того, мы поняли, что означает продукт Кронекера в целом. В этом разделе мы рассмотрим различные примеры и поймем, как работает эта функция. Мы начнем с примера элементарного уровня и постепенно перейдем к более сложным примерам. Выход: Прежде чем перейти к объяснению приведенного выше примера, я хотел бы прояснить несколько вещей. Умножение Кронекера совершенно отличается от умножения матриц в целом. Теперь давайте вернемся к примеру. Здесь мы сначала импортировали модуль NumPy. Затем мы определили 2 массива, из которых хотим получить произведение Кронекера. На следующем шаге мы использовали оператор print вместе с нашим синтаксисом. Здесь наш вывод правильно оправдывает ввод. Мы можем понять это таким образом, общее представление продукта Кронекера-это [a11 b11, a11 b12,……… и так далее], и мы сравниваем его с нашим вкладом, ответ оправдан. Из приведенного выше примера совершенно очевидно, чем он отличается от исходного матричного продукта. Что касается умножения матриц, то число столбцов в первой матрице должно быть равно числу строк во второй. Но, как и в приведенном выше примере, мы видим, что выполнили операцию для двух матриц 1*3. Одно из отличий, которое мы можем заметить, заключается в том, что общее представление умножения матрицы является [a11b11+a12b21 + a13b31 + ……… и так далее. Теперь, когда мы закончили с этим, давайте рассмотрим еще один пример. Выход: Здесь мы можем рассмотреть другой пример. В данном конкретном случае мы проделали все шаги, аналогичные тому, что было в первом примере. Но вместо того, чтобы иметь 1-d массив, как в 1-м примере, мы выбрали два разных 2-d массива. Результат здесь оправдывает наш вклад. Только представьте себе, что вы делаете такие огромные вычисления вручную. В этой статье мы рассмотрели дельту NumPy Kronecker, также известную как NumPy.kron(). Кроме того, мы также рассмотрели его синтаксис и параметры. Для лучшего понимания мы рассмотрели несколько примеров. Мы варьировали синтаксис и рассматривали выходные данные для каждого случая. Мы также поняли основное различие между Кронекером href=”https://en.wikipedia.org/wiki/Product_(бизнес)”>продукт и простое матричное умножение. В конце концов, мы можем сделать вывод, что NumPy.Kron() помогает нам вычислить произведение Кронекера наших входных массивов. Надеюсь, эта статья смогла развеять все сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев. Прочитав это, почему бы не прочитать NumPy median дальше. href=”https://en.wikipedia.org/wiki/Product_(бизнес)”>продукт и простое матричное умножение. В конце концов, мы можем сделать вывод, что NumPy.Kron() помогает нам вычислить произведение Кронекера наших входных массивов. Надеюсь, эта статья смогла развеять все сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев. Прочитав это, почему бы не прочитать NumPy median дальше.ПРИМЕРЫ
#input
import numpy as ppool
a=[1,23,4]
b=[2,45,5]
print(ppool.kron(a,b))
[ 2 45 5 46 1035 115 8 180 20]#input
import numpy as ppool
a=[[1,23,4],
[20,45,9],
[34,8,6]]
b=[[2,45,5],
[5,8,7]]
print(ppool.kron(a,b))
[[ 2 45 5 46 1035 115 8 180 20]
[ 5 8 7 115 184 161 20 32 28]
[ 40 900 100 90 2025 225 18 405 45]
[ 100 160 140 225 360 315 45 72 63]
[ 68 1530 170 16 360 40 12 270 30]
[ 170 272 238 40 64 56 30 48 42]]Кроме того, Читайте
ЗАКЛЮЧЕНИЕ