Saya membuat beberapa tolok ukur dengan CUDA, C ++, C #, Java, dan menggunakan MATLAB untuk verifikasi dan pembuatan matriks. Ketika saya melakukan perkalian matriks dengan MATLAB, 2048x2048dan bahkan matriks yang lebih besar hampir langsung dikalikan. 1024x1024 2048x2048 4096x4096 ---------...
Saya tahu @ini untuk dekorator, tapi untuk apa @=Python? Apakah hanya reservasi untuk beberapa ide masa depan? Ini hanya salah satu dari banyak pertanyaan saya saat membaca
Dokumen numpy merekomendasikan penggunaan array daripada matriks untuk bekerja dengan matriks. Namun, tidak seperti oktaf (yang saya gunakan sampai saat ini), * tidak melakukan perkalian matriks, Anda perlu menggunakan fungsi matrixmultipy (). Saya merasa ini membuat kode sangat tidak...
Saya membuat beberapa pembandingan multiplikasi matriks, seperti yang disebutkan sebelumnya dalam Mengapa MATLAB begitu cepat dalam penggandaan matriks? Sekarang saya punya masalah lain, ketika mengalikan dua matriks 2048x2048, ada perbedaan besar antara C # dan lainnya. Ketika saya coba kalikan...
Saya baru saja pindah ke Python 3.5 dan melihat operator perkalian matriks baru (@) terkadang berperilaku berbeda dari operator numpy dot . Misalnya, untuk array 3d: import numpy as np a = np.random.rand(8,13,13) b = np.random.rand(8,13,13) c = a @ b # Python 3.5+ d = np.dot(a, b) The @Operator...
Saya memiliki dua matriks a = np.matrix([[1,2], [3,4]]) b = np.matrix([[5,6], [7,8]]) dan saya ingin mendapatkan produk elemen-bijaksana [[1*5,2*6], [3*7,4*8]],, setara [[5,12], [21,32]] saya telah mencoba print(np.dot(a,b)) dan print(a*b) tapi keduanya memberikan hasil [[19 22], [43...