高等数学 / 系统课时

用NumPy验证矩阵计算

用NumPy验证矩阵计算

手工推导矩阵运算后,最容易出错的是乘法顺序、转置形状和数值计算。本节用一个可直接运行的 NumPy 程序同时验证点积、矩阵乘法、转置和二范数,并用断言检查结果是否与手算一致。

学习目标

  • 使用 NumPy 创建一维向量和二维矩阵。
  • 正确使用 np.dot、@、.T 与 np.linalg.norm。
  • 用断言和容差比较验证手工推导结果。

先写出要验证的结果

示例假定 Python 环境已经安装 NumPy。取 a = [1, 2, 3]、b = [4, -1, 2],点积应为 8;再取 A = [[1, 2], [3, 4]]、B = [[2, 0], [1, 2]],矩阵乘积应为 [[4, 4], [10, 8]]。

对于 x = [1, -1],应有 A @ x = [-1, -1],而它的二范数是 2\sqrt{2},约等于 1.414。先明确预期值,再让程序验证,比“算完以后看着像对”更可靠。

一次运行完成四类验证

下面的程序把手算结果写成断言。整数结果使用精确比较,范数属于浮点数,因此用 np.isclose 判断是否在可接受误差内。

python
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, -1, 2])

A = np.array([[1, 2],
              [3, 4]])
B = np.array([[2, 0],
              [1, 2]])
x = np.array([1, -1])

# @ 表示矩阵乘法;这里同时计算点积、转置和向量范数。
dot = np.dot(a, b)
product = A @ B
transpose = A.T
mapped = A @ x
norm = np.linalg.norm(x)

# 断言直接对照手算结果,任何一项不一致都会立即失败。
assert dot == 8
assert np.array_equal(product, np.array([[4, 4], [10, 8]]))
assert np.array_equal(transpose, np.array([[1, 3], [2, 4]]))
assert np.array_equal(mapped, np.array([-1, -1]))
assert np.isclose(norm, np.sqrt(2))

print(f"dot = {dot}")
print("A @ B =")
print(product)
print("A.T =")
print(transpose)
print(f"A @ x = {mapped}")
print(f"||x||_2 = {norm:.3f}")
print("verification passed")

预期输出

text
dot = 8
A @ B =
[[ 4  4]
 [10  8]]
A.T =
[[1 3]
 [2 4]]
A @ x = [-1 -1]
||x||_2 = 1.414
verification passed

如果程序运行到最后一行,说明所有断言都通过。若某个手算结果写错,Python 会在对应的 assert 处抛出 AssertionError,可以直接定位是哪类运算与预期不一致。

读懂 NumPy 中的四个操作

np.dot(a, b) 在两个一维数组上计算点积并返回标量;A @ B 按线性代数规则做矩阵乘法;A.T 交换二维数组的行列;np.linalg.norm(x) 默认计算向量的二范数。

其中最需要区分的是 @ 和 *。前者会让左矩阵的列数与右矩阵的行数配对,后者只是逐元素相乘。验证线性代数推导时,如果误写成 A * B,即使数组形状碰巧兼容,得到的也是完全不同的含义。

避免形状和浮点比较陷阱

NumPy 的一维数组形状类似 (2,),因此对一维 x 使用 x.T 不会把它变成二维列向量。确实需要形状为 (2, 1) 的列向量时,应使用 x.reshape(-1, 1),并通过 .shape 检查维度。

浮点运算也不宜直接使用 == 判断理论实数是否完全相等。单个数可用 np.isclose,数组可用 np.allclose。把“形状是否正确”和“数值是否接近预期”都纳入验证,NumPy 才真正起到检查手算而不是替代思考的作用。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用NumPy验证矩阵计算

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通