矩阵和向量积

`dot`（a，b [，out]）	两个数组的点积。
`vdot`（a，b）	返回两个向量的点积。
`inner`（a，b）	两个数组的内积。
`outer`（a，b [，out]）	计算两个向量的外积。
`matmul`（a，b [，out]）	两个数组的矩阵乘积。
`tensordot`（a，b [，axes]）	对于数组> = 1-D，沿指定轴计算张量点积。
`einsum`（下标，\ * operands [，out，dtype，...]）	评估操作数上的爱因斯坦求和约定。
`linalg.matrix_power`（M，n）	将方阵转化为（整数）幂n。
`kron`（a，b）	克罗内克两个数组的乘积。

Decompositions

`linalg.cholesky`（a）	Cholesky分解。
`linalg.qr`（a [，mode]）	计算矩阵的qr因式分解。
`linalg.svd`（a [，full_matrices，compute_uv]）	奇异值分解。

矩阵特征值

`linalg.eig`(a)	计算正方形数组的特征值和右特征向量。
`linalg.eigh`(a[, UPLO])	返回Hermitian或对称矩阵的特征值和特征向量。
`linalg.eigvals`(a)	计算一般矩阵的特征值。
`linalg.eigvalsh`(a[, UPLO])	计算Hermitian或真实对称矩阵的特征值。

Norms and other numbers

`linalg.norm`（x [，ord，axis，keepdims]）	矩阵或向量范数。
`linalg.cond`（x [，p]）	计算矩阵的条件数。
`linalg.det`（a）	计算数组的行列式。
`linalg.matrix_rank`（M [，tol]）	使用SVD方法返回数组的矩阵秩
`linalg.slogdet`（a）	计算数组的行列式的符号和（自然）对数。
`trace`（a [，offset，axis1，axis2，dtype，out]）	沿数组的对角线返回总和。

Solving equations and inverting matrices

`linalg.solve`（a，b）	求解线性矩阵方程或线性标量方程组。
`linalg.tensorsolve`（a，b [，axes]）	为x解出张量方程`a x = b`
`linalg.lstsq`（a，b [，rcond]）	将最小二乘解返回到线性矩阵方程。
`linalg.inv`（a）	计算矩阵的（乘法）逆。
`linalg.pinv`（a [，rcond]）	计算矩阵的（Moore-Penrose）伪逆。
`linalg.tensorinv`（a [，ind]）	计算N维数组的“逆”。

Exceptions

linalg.LinAlgError linalg函数引发的通用Python异常派生对象。

Linear algebra on several matrices at once

版本1.8.0中的新功能。

上面列出的几个线性代数例程能够一次计算多个矩阵的结果，如果它们被堆叠到相同的数组中。

这在文档中通过输入参数规范如a ：（...， M， t4> M） array_like。这意味着如果例如给定输入数组a.shape == （N， M， t4 > M），它被解释为N个矩阵的“堆栈”，每个矩阵的大小为M乘M。类似的规范适用于返回值，例如行列式具有det ：（...）这种情况下返回形状det（a）.shape == （N，）的数组。这推广到对更高维数组的线性代数运算：多维数组的最后1或2维被解释为向量或矩阵，适合于每个操作。

线性代数（numpy.linalg）