matmulとdotの違いについて（Pythonのnumpy・tensorflow）

投稿日：2022年10月12日更新日：2025年1月21日

＜目次＞

matmulとdotの違いについて（Pythonのnumpy・tensorflow）
　(１-１) 両者の違い
　 (１-２) 両者の違い（実機確認）

matmulとdotの違いについて（Pythonのnumpy・tensorflow）

ベクトルや行列の計算で使用する関数である「matmul」と「dot」の違いについて紹介します。はじめに、matmulについてはnumpyライブラリのものと、tensorflowライブラリのものと２種類あります。

（概要）

・numpy.dot　

⇒主に内積で使用。

・numpy.matmul

⇒主に行列計算で使用。3次元以の行列計算にも対応。

・tensorflow.matmul

⇒主に行列計算で使用。3次元以の行列計算にも対応。1次元を含むベクトルの内積はエラー

(１-１) 両者の違い

●numpy.matmul vs numpy.dot差異

（表）

次元（行列1＼行列2）	n=1	n=2	n>2
n=1 （例：[1]）	① 差異なし	② 差異なし	③ 差異なし
n=2 （例：[[1],[1]]）	④ 差異なし	⑤ 差異なし	⑥ ▲差異あり ⇒詳細は「numpyの記事（★）」と「dotの記事（★）」を参照
n>2 （例：[[[1],[1]],[[1],[1]]]）	⑤ 差異なし	⑧ ▲差異あり ⇒詳細は「numpyの記事（★）」と「dotの記事（★）」を参照	⑨ ▲差異あり ⇒詳細は「numpyの記事（★）」と「dotの記事（★）」を参照

●numpy.matmul vs tensorflow.matmul差異

（表）

次元（行列1＼行列2）	n=1	n=2	n>2
n=1 （例：[1]）	① ▲差異あり ⇒tensorflowはエラー。numpyはベクトル内積計算。	② ▲差異あり ⇒tensorflowはエラー。numpyはベクトル内積計算。	③ ▲差異あり ⇒tensorflowはエラー。numpyはベクトル内積計算。
n=2 （例：[[1],[1]]）	④ ▲差異あり ⇒tensorflowはエラー。numpyはベクトル内積計算。	⑤ 差異なし	⑥ 差異なし
n>2 （例：[[[1],[1]],[[1],[1]]]）	⑦ ▲差異あり ⇒tensorflowはエラー。numpyはベクトル内積計算。	⑧ 差異なし	⑨ 差異なし

＞目次にもどる

(１-２) 両者の違い（実機確認）

●numpy.dot

（テストコード）

import numpy as np
 
def main():
 
    a_1d_2 = np.array([1,2])
    a_2d_1x2 = np.array([[1,2]])
    a_2d_2x1 = np.array([[1],[2]])
    a_3d_2x1x2 = np.array([[[1,2]],[[1,2]]])
    a_3d_2x2x1 = np.array([[[1],[2]],[[1],[2]]])
 
    print("①：",np.dot(a_1d_2,a_1d_2))
    print("②：",np.dot(a_1d_2,a_2d_2x1))
    print("③：",np.dot(a_1d_2,a_3d_2x2x1))
    print("④：",np.dot(a_2d_1x2,a_1d_2))
    print("⑤：",np.dot(a_2d_1x2,a_2d_2x1))
    print("⑦：",np.dot(a_3d_2x1x2,a_1d_2))
    print("⑥：",np.dot(a_2d_1x2,a_3d_2x2x1))
    print("⑧：",np.dot(a_3d_2x2x1,a_2d_1x2))
    print("⑨：",np.dot(a_3d_2x2x1,a_3d_2x1x2))
 
if __name__ == "__main__":
    main()

（実行結果）

①： 5
②： [5]
③： [[5] [5]]
④： [5]
⑤： [[5]]
⑦： [[5] [5]]
⑥： [[[5]  [5]]]
⑧： [
	[[1 2]  [2 4]]
	[[1 2]  [2 4]]
	]
⑨： [
	[
		[[1 2]   [1 2]]
		[[2 4]   [2 4]]
	]
	[
		[[1 2]   [1 2]]
		[[2 4]   [2 4]]
	]
  ]

（図１２１）

●numpy.matmul

（テストコード）

import numpy as np
 
def main():
 
    a_1d_2 = np.array([1,2])
    a_2d_1x2 = np.array([[1,2]])
    a_2d_2x1 = np.array([[1],[2]])
    a_3d_2x1x2 = np.array([[[1,2]],[[1,2]]])
    a_3d_2x2x1 = np.array([[[1],[2]],[[1],[2]]])
 
    print("①：",np.matmul(a_1d_2,a_1d_2))
    print("②：",np.matmul(a_1d_2,a_2d_2x1))
    print("③：",np.matmul(a_1d_2,a_3d_2x2x1))
    print("④：",np.matmul(a_2d_1x2,a_1d_2))
    print("⑤：",np.matmul(a_2d_1x2,a_2d_2x1))
    print("⑦：",np.matmul(a_3d_2x1x2,a_1d_2))
    print("⑥：",np.matmul(a_2d_1x2,a_3d_2x2x1))
    print("⑧：",np.matmul(a_3d_2x2x1,a_2d_1x2))
    print("⑨：",np.matmul(a_3d_2x2x1,a_3d_2x1x2))
 
if __name__ == "__main__":
    main()

（実行結果）

①： 5
②： [5]
③： [[5] [5]]
④： [5]
⑤： [[5]]
⑦： [[5] [5]]
⑥： [[[5]] [[5]]]
⑧： [
	[[1 2]  [2 4]]
	[[1 2]  [2 4]]
	]
⑨： [
	[[1 2]  [2 4]]
	[[1 2]  [2 4]]
	]

（図１２２）

●tensorflow.matmul

（テストコード）

import tensorflow as tf
import numpy as np
 
def main():
 
    a_1d_2 = np.array([1,2])
    a_2d_1x2 = np.array([[1,2]])
    a_2d_2x1 = np.array([[1],[2]])
    a_3d_2x1x2 = np.array([[[1,2]],[[1,2]]])
    a_3d_2x2x1 = np.array([[[1],[2]],[[1],[2]]])
 
    # print("①：",tf.matmul(a_1d_2,a_1d_2).numpy())
    # print("②：",tf.matmul(a_1d_2,a_2d_2x1).numpy())
    # print("③：",tf.matmul(a_1d_2,a_3d_2x2x1).numpy())
    # print("④：",tf.matmul(a_2d_1x2,a_1d_2).numpy())
    # print("⑦：",tf.matmul(a_3d_2x1x2,a_1d_2).numpy())
    print("⑤：",tf.matmul(a_2d_1x2,a_2d_2x1).numpy())
    print("⑥：",tf.matmul(a_2d_1x2,a_3d_2x2x1).numpy())
    print("⑧：",tf.matmul(a_3d_2x2x1,a_2d_1x2).numpy())
    print("⑨：",tf.matmul(a_3d_2x2x1,a_3d_2x1x2).numpy())
 
if __name__ == "__main__":
    main()

（実行結果）

①：エラー（In[0] and In[1] ndims must be >= 2）
②：エラー（In[0] and In[1] has different ndims: [2] vs. [2,1]）
③：エラー（In[0] ndims must be >= 2）
④：エラー（In[0] and In[1] has different ndims: [1,2] vs. [2]）
⑦：エラー（In[1] ndims must be >= 2） 
 
⑤： [[5]]
⑥： [[[5]] [[5]]]
⑧： [
	[[1 2]  [2 4]]
	[[1 2]  [2 4]]
	]
⑨： [
	[[1 2]  [2 4]]
	[[1 2]  [2 4]]
	]

（図１２３）

＞目次にもどる