iPAS AI 應用規劃師中級　科目三　機器學習技術與應用

np.dot(v1, v2) 結果是多少？NumPy 向量矩陣運算識別

原題 40

依據附圖程式碼進行資料處理，下列何者正確？

import numpy as np v1 = np.array([1, 2, 3]) v2 = np.array([4, 5, 6]) A = np.array([[1, 2], [3, 4]])

白話

程式碼定義了兩個向量 v1=[1,2,3]、v2=[4,5,6]，和一個 2×2 矩陣 A=[[1,2],[3,4]]。題目問這四個操作哪一個描述正確：linalg.inv 算什麼、v1 * v2 是什麼、np.dot(v1,v2) 的結果、linalg.eig 算什麼。

問你：哪一個描述正確說出了該 NumPy 函數的功能或計算結果？

點選你的答案。

← 回 50 題列表回 iPAS 備考總覽

01　總結

一句話總結

np.dot(v1, v2) 計算兩個向量的內積：1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32，返回純量 np.int64(32)，這是選項 C 正確描述的結果。

02　情境

先感受問題：四個 NumPy 函數，哪個描述配哪個？

「資料創智」的初級工程師陳亦宏在學 NumPy，遇到了一批考題。他需要把四個 NumPy 函數的名稱和它們的功能配對起來：

np.linalg.inv(A) → 算什麼？
v1 * v2 → 是元素相乘還是內積？
np.dot(v1, v2) → 算什麼？結果是多少？
np.linalg.eig(A) → 算什麼？

這四個函數在 ML 裡都很常見：線性代數（矩陣反矩陣、特徵值）和向量運算（點積）是神經網路、PCA、線性迴歸的數學基礎。

選項 C 說 np.dot(v1, v2) = np.int64(32)，需要確認這個計算是否正確。

03　對照

四個 NumPy 操作各自做什麼？

np.linalg.inv(A)：計算矩陣 A 的「反矩陣（Inverse Matrix）」，不是行列式。滿足 A × inv(A) = 單位矩陣 I。行列式要用 np.linalg.det(A) 計算。inv 和 det 是完全不同的東西：inv 返回一個矩陣，det 返回一個純量。
v1 * v2（星號乘法）：在 NumPy 中，* 對陣列做「元素對元素（element-wise）」的乘法，結果是 [1×4, 2×5, 3×6] = [4, 10, 18]，不是 [5, 7, 9]。[5, 7, 9] 是加法（v1 + v2）的結果，不是乘法。
np.dot(v1, v2)：計算「內積（Dot Product）」，是對應元素相乘後加總：1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32。返回一個純量（不是陣列），資料型別是 np.int64。
np.linalg.eig(A)：計算矩陣 A 的「特徵值和特徵向量（Eigenvalues and Eigenvectors）」，不是反矩陣。返回 (eigenvalues, eigenvectors)，是 PCA 和主成分分析的核心計算。
混淆 inv / det / eig 的根本原因：三個函數都在 np.linalg 子模組下，縮寫接近（inv、det、eig），考試容易把功能互換。記法：inv = inverse（反矩陣，矩陣輸出）；det = determinant（行列式，純量輸出）；eig = eigenvectors（特徵值向量，tuple 輸出）。

04　解法

驗算 np.dot(v1, v2) = 32

陳亦宏逐步計算 np.dot(v1, v2)：

v1 = [1, 2, 3]
v2 = [4, 5, 6]

np.dot(v1, v2) = v1[0]×v2[0] + v1[1]×v2[1] + v1[2]×v2[2]
= 1×4 + 2×5 + 3×6
= 4 + 10 + 18
= 32

返回類型：np.int64(32)（因為 v1 和 v2 的元素都是整數，點積也是整數）

選項 C 完整且正確地描述了 np.dot 的計算結果。

這就是選項 C 講的：np.dot(v1, v2) 結果為 np.int64(32)。

技術版：NumPy 核心線性代數函數總覽與向量運算規則

中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。

Step 1 純故事版

想像向量是「有方向的箭頭」。v1 = [1,2,3] 是一個在 3D 空間中的箭頭，v2 = [4,5,6] 是另一個。np.dot(v1, v2) = 32 代表這兩個箭頭「指向相似方向的程度」（投影）。如果兩個向量垂直，點積 = 0；同向時點積最大。這個操作是餘弦相似度計算的基礎，也是神經網路每一層加權計算的核心數學。

Step 2 NumPy 函數對照表

函數	功能	本題結果
v1 * v2	元素對元素乘法	array([4, 10, 18])
v1 + v2	元素對元素加法	array([5, 7, 9])
np.dot(v1, v2)	向量內積（點積）	np.int64(32)
np.linalg.inv(A)	反矩陣	array([[-2., 1.], [1.5, -0.5]])
np.linalg.det(A)	行列式	-2.0
np.linalg.eig(A)	特徵值和特徵向量	(array([-0.37, 5.37]), vectors)

Step 3 符號角色表

Dot Product（內積）: 兩個向量對應元素相乘後加總，結果是純量，公式：v1·v2 = Σ v1[i] × v2[i]
Element-wise（元素對元素）: 對兩個陣列對應位置的元素各自做操作，結果仍是陣列
Inverse Matrix（反矩陣）: 滿足 A × A⁻¹ = I 的矩陣，np.linalg.inv 計算
Determinant（行列式）: 方陣的一個純量，np.linalg.det 計算，反矩陣存在的條件是行列式不為 0
Eigenvalue（特徵值）: 滿足 Av = λv 的純量 λ，np.linalg.eig 計算

Step 4 完整計算驗算

v1 = [1, 2, 3], v2 = [4, 5, 6]

v1 * v2 (element-wise):
  [1×4, 2×5, 3×6] = [4, 10, 18]  ← 不是 [5,7,9]

np.dot(v1, v2) (dot product):
  1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32  ← 正確

A = [[1, 2], [3, 4]]

np.linalg.det(A):
  1×4 - 2×3 = 4 - 6 = -2.0

np.linalg.inv(A):
  (1/det) × [[4, -2], [-3, 1]]
  = (1/-2) × [[4, -2], [-3, 1]]
  = [[-2, 1], [1.5, -0.5]]  ← 不是行列式

np.linalg.eig(A):
  特徵值 λ 滿足 det(A - λI) = 0
  (1-λ)(4-λ) - 6 = 0
  λ² - 5λ - 2 = 0
  λ ≈ -0.37 或 5.37  ← 特徵值，不是反矩陣

Step 5 自我複述

np.dot(v1, v2) 和 v1 * v2 的差別是什麼？各返回什麼類型？
np.linalg.inv(A) 和 np.linalg.det(A) 各返回什麼？兩者的關係是什麼？
如果矩陣 A 的行列式為 0，np.linalg.inv(A) 會發生什麼？
np.linalg.eig(A) 返回什麼？如何提取特徵值和特徵向量？
兩個向量的點積等於 0 代表什麼幾何意義？

05　陷阱

為什麼其他選項是錯的

選項 A　np.linalg.inv 計算行列式

字面在說什麼：np.linalg.inv(A) 計算矩陣 A 的行列式。

為什麼不對：inv 是 inverse（反矩陣），不是 determinant（行列式）。計算行列式要用 np.linalg.det(A)。反矩陣返回一個和 A 同形狀的矩陣（本題是 2×2），行列式返回一個純量。兩者是完全不同的線性代數操作，雖然都和「可逆性」有關（行列式不為 0 才有反矩陣），但計算方法和結果形式完全不同。

誰會選錯：把 inv（反矩陣）和 determinant（行列式）的名稱混淆，或記不住各函數縮寫含義的人。

選項 B　v1 * v2 = [5, 7, 9]

字面在說什麼：v1 和 v2 用星號相乘的結果是 [5, 7, 9]。

為什麼不對：[5, 7, 9] 是 v1 + v2 的結果（1+4=5, 2+5=7, 3+6=9），不是 v1 * v2。v1 * v2 在 NumPy 中是 element-wise 乘法：[1×4, 2×5, 3×6] = [4, 10, 18]。這是「加法和乘法」的基礎混淆，是考試中最常見的計算失誤。

誰會選錯：不熟悉 NumPy 的 element-wise 乘法語義，直覺上把 * 操作的結果當加法算的人。

選項 D　np.linalg.eig 計算反矩陣

字面在說什麼：np.linalg.eig(A) 計算矩陣 A 的反矩陣。

為什麼不對：eig 是 eigenvector/eigenvalue（特徵值/特徵向量），不是 inverse（反矩陣）。np.linalg.eig(A) 返回一個包含兩個元素的 tuple：(特徵值陣列, 特徵向量矩陣)。反矩陣要用 np.linalg.inv(A)。eig 和 inv 的縮寫非常不同，但考試中容易因為「都在 linalg 下」而混淆。

誰會選錯：沒有記住 NumPy linalg 子模組各函數縮寫含義，在 inv、det、eig 三個函數之間混淆的人。

06　變形

同個考點下次怎麼變形

變形 1　邊界

直覺：如果 v1 和 v2 都是浮點數，np.dot(v1, v2) 的返回類型會改變嗎？

答案：會改變。v1 = np.array([1.0, 2.0, 3.0])，v2 = np.array([4.0, 5.0, 6.0])，np.dot(v1, v2) = np.float64(32.0)。NumPy 根據輸入的資料型別決定輸出類型，整數輸入 → int64，浮點數輸入 → float64。考試有時會考類型敏感的題目，要注意。

變形 2　反例

直覺：np.dot(A, v1) 當 A 是 2×2 矩陣、v1 是長度 3 的向量，會發生什麼？

答案：會報錯（ValueError: shapes (2,2) and (3,) not aligned）。矩陣-向量乘法要求矩陣的列數等於向量的長度：A(m×n) × v(n) = result(m)。A 是 2×2，v1 是長度 3，維度不匹配。本題的 v1、v2 都是長度 3，所以點積可以計算；A 是 2×2，若要和向量相乘需要長度 2 的向量。

變形 3　升級版

直覺：np.dot 用在兩個矩陣上（矩陣乘法）和用在兩個向量上（點積），有什麼差異？

答案：np.dot(v1, v2) 對兩個一維向量計算內積，返回純量。np.dot(A, B) 對兩個二維矩陣計算矩陣乘法，返回矩陣，要求 A 的列數等於 B 的行數。Python 3.5 之後可用 @ 運算符做矩陣乘法（A @ B），更清楚。np.dot 和 @ 在矩陣乘法上結果相同，但 np.dot 在多維陣列的行為較複雜，現代 NumPy 程式碼偏好用 @。

變形 4　跨領域

直覺：np.dot(v1, v2) = 32 在機器學習中有什麼實際意義？

答案：點積是多個 ML 操作的基礎：（1）神經網路的全連接層：每個神經元的輸出 = np.dot(weights, input) + bias；（2）餘弦相似度：cos(θ) = dot(v1, v2) / (||v1|| × ||v2||)，本題 dot=32，||v1||=√14，||v2||=√77，相似度約 0.974；（3）線性迴歸：預測值 = np.dot(X, w) + b；（4）注意力機制：Query × Key 的點積。

變形 5　評估指標

直覺：np.linalg.inv(A) 在 ML 中什麼時候會用到？

答案：線性迴歸的解析解：w = (XᵀX)⁻¹ × Xᵀy，直接用反矩陣求最優權重（不需要梯度下降）。這在資料量小的時候很有效，但 XᵀX 是 p×p 的矩陣（p 是特徵數），計算反矩陣的複雜度是 O(p³)，特徵數很多時就很慢，這是大型 ML 問題通常改用梯度下降的原因。

07　延伸

想再往下看，這 5 個

餘弦相似度（Cosine Similarity）np.dot(v1, v2) 是計算餘弦相似度的基礎步驟，是 NLP 和推薦系統中最常用的向量相似度度量。
主成分分析（PCA）np.linalg.eig 是 PCA 的核心計算：對協方差矩陣做特徵值分解，找出最大變異量方向。
特徵值（Eigenvalue）np.linalg.eig 計算的輸出，代表每個主成分方向能解釋的變異量大小，PCA 降維的決策依據。
矩陣分解（Matrix Factorization）推薦系統和降維的重要技術，依賴 NumPy 的矩陣運算（linalg.svd 等），是 np.dot 矩陣乘法的擴展應用。
神經網路（Neural Network）每一層的前向傳播本質是矩陣-向量乘法（np.dot 或 @），是 NumPy 線性代數操作在 ML 中最直接的應用。