ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

机器学习线性代数入门
章节 1: 线性代数在机器学习中的重要性
用向量和矩阵表示数据
机器学习算法中的线性代数
核心思想概述
配置Python环境
第 1 章测验
章节 2: NumPy 数值计算入门
NumPy 数组介绍
创建 NumPy 数组
数组索引与切片
数组基本运算
数组属性与形状调整
动手实践:NumPy 数组的创建与操作
第 2 章测验
章节 3: 使用向量
什么是向量?
向量表示法
在Python中使用NumPy的向量
向量加法与减法
标量乘法
向量范数:测量长度
点积
实践:NumPy 向量运算
第 3 章测验
章节 4: 使用矩阵
什么是矩阵?
矩阵记号与维度
使用NumPy在Python中表示矩阵
矩阵类型:方阵、单位矩阵、零矩阵
对角矩阵和三角矩阵
实践:使用NumPy创建矩阵
第 4 章测验
章节 5: 矩阵基本运算
矩阵加法和减法
标量乘法
矩阵转置
矩阵乘法:点积
矩阵乘法的性质
动手实践:NumPy 矩阵运算
第 5 章测验
章节 6: 线性方程组与矩阵逆
使用矩阵表示线性方程
解的含义
单位矩阵再论
矩阵的逆
矩阵可逆的条件
使用逆矩阵求解 Ax = b
使用NumPy计算逆矩阵
使用NumPy求解线性系统
实践:使用NumPy求解方程组
第 6 章测验

本课程已归档: 现已推出包含更新教学大纲和改进内容的新版本。

实践:使用NumPy创建矩阵

零矩阵、单位矩阵和对角矩阵是矩阵的几种基本类型。使用NumPy创建这些矩阵非常直接简单。NumPy将矩阵表示为二维数组。

首先,请确保已导入NumPy,通常使用标准别名 np:

import numpy as np

创建基本矩阵

创建矩阵最基本的方法是利用Python的列表的列表。每个内部列表代表一行。

# 创建一个3x4矩阵(3行,4列)
my_list = [
    [1, 2, 3, 4],
    [5, 6, 7, 8],
    [9, 10, 11, 12]
]

matrix_a = np.array(my_list)

print("矩阵A(来自列表的列表):")
print(matrix_a)
print("矩阵A的形状:", matrix_a.shape)
print("矩阵A的数据类型:", matrix_a.dtype)

运行此代码将输出:

矩阵A(来自列表的列表):
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
矩阵A的形状: (3, 4)
矩阵A的数据类型: int64

请注意NumPy是如何自动确定形状 (3, 4) 和数据类型(可能是 int64 或 int32,具体取决于您的系统)。

创建零矩阵

零矩阵,表示为 OOO,只包含零。它们常被用作初始占位符。NumPy提供了 np.zeros() 函数。您需要以元组(行数,列数)的形式提供所需的形状。

# 创建一个2x3零矩阵
rows = 2
cols = 3
zero_mat = np.zeros((rows, cols))

print("\n零矩阵 (2x3):")
print(zero_mat)
print("形状:", zero_mat.shape)
print("数据类型:", zero_mat.dtype) # 默认为float64

输出:

零矩阵 (2x3):
[[0. 0. 0.]
 [0. 0. 0.]]
形状: (2, 3)
数据类型: float64

默认情况下,np.zeros() 创建浮点数。如果您需要整数,请指定 dtype:

# 创建一个3x3的整数零矩阵
zero_mat_int = np.zeros((3, 3), dtype=int)

print("\n零矩阵 (3x3, 整数):")
print(zero_mat_int)
print("数据类型:", zero_mat_int.dtype)

输出:

零矩阵 (3x3, 整数):
[[0 0 0]
 [0 0 0]
 [0 0 0]]
数据类型: int64

创建单位矩阵

单位矩阵 III 是一个方阵(行数和列数相同),其主对角线上是1,其余位置是0。它在矩阵乘法中作用如同数字1。NumPy为此提供了两个常用函数:np.identity() 和 np.eye()。

np.identity(n) 创建一个 n×nn \times nn×n 的单位矩阵。

# 使用np.identity()创建一个4x4单位矩阵
identity_mat = np.identity(4)

print("\n单位矩阵 (4x4),使用np.identity():")
print(identity_mat)
print("形状:", identity_mat.shape)
print("数据类型:", identity_mat.dtype) # 默认为float64

输出:

单位矩阵 (4x4),使用np.identity():
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]
形状: (4, 4)
数据类型: float64

np.eye(N, M=None, k=0) 更具通用性。它创建一个 N×MN \times MN×M 矩阵(如果省略 MMM,则 M=NM=NM=N,创建方阵)。参数 (parameter) kkk 指定对角线:k=0k=0k=0 是主对角线(默认),k>0k>0k>0 在主对角线上方,而 k<0k<0k<0 在主对角线下方。对于标准单位矩阵,通常只需提供 NNN。

# 使用np.eye()创建一个3x3单位矩阵
identity_mat_eye = np.eye(3)

print("\n单位矩阵 (3x3),使用np.eye():")
print(identity_mat_eye)

# 创建一个3x5矩阵,主对角线上为1
eye_mat_rect = np.eye(3, 5)
print("\n矩形矩阵 (3x5),使用np.eye():")
print(eye_mat_rect)

# 创建一个4x4矩阵,主对角线上方对角线上为1 (k=1)
eye_mat_k1 = np.eye(4, k=1)
print("\n矩阵 (4x4),使用np.eye(k=1):")
print(eye_mat_k1)

输出:

单位矩阵 (3x3),使用np.eye():
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

矩形矩阵 (3x5),使用np.eye():
[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]]

矩阵 (4x4),使用np.eye(k=1):
[[0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]
 [0. 0. 0. 0.]]

对于创建标准单位矩阵,np.identity(n) 可能稍微更清晰,但 np.eye(n) 同样适用。

创建对角矩阵

对角矩阵只在主对角线上有非零元素。NumPy的 np.diag() 函数用途广泛。它可以从现有矩阵中提取对角线,或从一维数组(或列表)中构建一个方对角矩阵。

1. 构建对角矩阵: 如果您向 np.diag() 提供一个一维数组(例如向量 (vector)),它会创建一个方阵,其中数组的元素成为主对角线上的值。

# 定义对角线元素
diagonal_values = [2, 5, -1, 3]

# 从这些值创建对角矩阵
diag_mat = np.diag(diagonal_values)

print("\n由[2, 5, -1, 3]构建的对角矩阵:")
print(diag_mat)
print("形状:", diag_mat.shape)

输出:

由[2, 5, -1, 3]构建的对角矩阵:
[[ 2  0  0  0]
 [ 0  5  0  0]
 [ 0  0 -1  0]
 [ 0  0  0  3]]
形状: (4, 4)

2. 提取对角线: 如果您向 np.diag() 提供一个二维数组(一个矩阵),它会提取主对角线上的元素,并将其作为一维数组返回。

# 使用我们之前创建的matrix_a
print("\n原始矩阵A:")
print(matrix_a)

# 从matrix_a中提取主对角线
diagonal_extracted = np.diag(matrix_a)

print("\n从矩阵A中提取的对角线:")
print(diagonal_extracted)
print("形状:", diagonal_extracted.shape)

输出:

原始矩阵A:
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

从矩阵A中提取的对角线:
[ 1  6 11]
形状: (3,)

请注意,提取的对角线只包含行索引等于列索引的元素(a11,a22,a33,...a_{11}, a_{22}, a_{33}, ...a11​,a22​,a33​,...),直到矩阵的较小维度。

这些函数(np.array、np.zeros、np.identity、np.eye、np.diag)提供了创建您将经常遇到的矩阵的基本工具。尝试使用不同的形状和数据类型,以便熟练掌握它们的用法。这个基础对于执行矩阵运算非常重要,我们将在下一章中介绍。

© 2026 ApX Machine Learning