### 矩阵相乘的 Python 实现 在 Python 中，矩阵相乘可以通过多种方式实现。常见的方法包括使用 `numpy` 库、使用嵌套循环手动实现矩阵乘法，或者通过 `matmul()` 函数进行操作。 #### 使用 NumPy 进行矩阵相乘 `numpy` 提供了高效的数组运算功能，其中 `numpy.dot()` 或 `@` 运算符可用于执行矩阵相乘操作。两个矩阵的维度必须满足第一个矩阵的列数等于第二个矩阵的行数（即 m 值相同）[^1]。 ```python import numpy as np # 定义两个矩阵 A(n*m) 和 B(m*k) A = np.array([[1, 2], [3, 4], [5, 6]]) # n=3, m=2 B = np.array([[7, 8, 9], [10, 11, 12]]) # m=2, k=3 # 矩阵相乘 C(n*k) C = np.dot(A, B) # 输出结果 print(C) ``` 该代码将输出一个形状为 (3, 3) 的矩阵，其每个元素是根据对应行和列的点积计算得到的[^1]。 #### 手动实现矩阵相乘 如果希望不依赖第三方库，可以使用三重嵌套循环来实现矩阵相乘。外层循环遍历第一个矩阵的行，中间层循环遍历第二个矩阵的列，最内层循环完成对应元素的乘法与累加。 ```python def matrix_multiply(A, B): n = len(A) m = len(B[0]) k = len(B) # 初始化结果矩阵 result = [[0 for _ in range(k)] for _ in range(n)] # 矩阵相乘 for i in range(n): for j in range(k): for l in range(m): result[i][j] += A[i][l] * B[l][j] return result # 示例输入 A = [[1, 2], [3, 4], [5, 6]] B = [[7, 8, 9], [10, 11, 12]] # 调用函数并输出结果 result = matrix_multiply(A, B) for row in result: print(row) ``` 此方法虽然不依赖外部库，但效率较低，时间复杂度为 $O(n \times m \times k)$，适用于教学或小型数据集处理[^3]。 #### 使用 CUDA 加速矩阵相乘 对于大规模矩阵运算，可以利用 GPU 的并行计算能力提升性能。CUDA 提供了一种高效的并行化方案，将矩阵相乘任务分配到多个线程中，从而显著减少计算时间。这种方法适合需要高性能计算的应用场景[^3]。 ###