np矩陣乘積

np.dot(A, B)：
對于二維矩陣，計算真正意義上的矩陣乘積。
對于一維矩陣，計算兩者的內積，也稱為向量點乘（內積）。點乘的幾何意義是可以用來表征或計算兩個向量之間的夾角，以及在b向量在a向量方向上的投影，
見如下Python代碼：

            
              import numpy as np

# 2-D array: 2 x 3
two_dim_matrix_one = np.array([[1, 2, 3], [4, 5, 6]])
# 2-D array: 3 x 2
two_dim_matrix_two = np.array([[1, 2], [3, 4], [5, 6]])

two_multi_res = np.dot(two_dim_matrix_one, two_dim_matrix_two)
print('two_multi_res: %s' % (two_multi_res))
--------------------------------
two_multi_res: [[22 28]
                [49 64]]
-------------------------------

# 1-D array
one_dim_vec_one = np.array([1, 2, 3])
one_dim_vec_two = np.array([4, 5, 6])
one_result_res = np.dot(one_dim_vec_one, one_dim_vec_two)
print('one_result_res: %s' % (one_result_res))
-------------------------
one_result_res: 32
-------------------------

            
          

np矩陣點積(元素相乘)

有2種方式：
一個是np.multiply()
另外一個是*
這種方式要求連個矩陣的的形狀shape相同。見如下Python代碼：

            
              import numpy as np

# 2-D array: 2 x 3
two_dim_matrix_one = np.array([[1, 2, 3], [4, 5, 6]])
another_two_dim_matrix_one = np.array([[7, 8, 9], [4, 7, 1]])

element_wise = two_dim_matrix_one * another_two_dim_matrix_one
print('element wise product: %s' %(element_wise))

element_wise_2 = np.multiply(two_dim_matrix_one, another_two_dim_matrix_one)
print('element wise product: %s' % (element_wise_2))
------------------------------------------
element wise product: [[ 7 16 27]
                       [16 35  6]]
element wise product: [[ 7 16 27]
                       [16 35  6]]
-------------------------------------------

            
          

余弦相似度

            
              def cosine_similarity(self, vec1, vec2):
    numerator = np.dot(vec1, vec2)
    denominator = np.sqrt(np.square(vec1).sum()) * np.sqrt(np.square(vec2).sum())
    return numerator / denominator

            
          

隨機矩陣

1：整數矩陣隨機化

            
              np.random.randint(2, size=(6, 100))
參數2：代表里面結果只有0，1，兩個數字。