《动手学机器人学》第三节：动手学数学基础，使用NumPy操作矩阵

本系列教程作者：小鱼 公众号：鱼香ROS QQ交流群：139707339 教学视频地址：小鱼的B站 完整文档地址：鱼香ROS官网 版权声明：如非允许禁止转载与商业用途。

目录

• 《动手学机器人学》第一节：数学基础–矩阵
• 《动手学机器人学》第二节：MiniConda、JupyterNotebook与ROS2
• 《动手学机器人学》第三节：动手学数学基础，使用NumPy操作矩阵
• 《动手学机器人学》第四节(上):位姿描述
• 《动手学机器人学》第四节(下):一文搞懂坐标变换
• 《动手学机器人学》第五节（上）：动手学空间姿态描述与变换
• 《动手学机器人学》第五节（中）：使用ROS2的TF2进行坐标变换
• 《动手学机器人学》第五节（下）：使用Python操作TF
• 更新中…欢迎关注小鱼公众号鱼香ROS，第一时间获取更新

正文 第三节：动手学数学基础，使用NumPy操作矩阵

上一节我们安装好了MiniConda和Jupyter，本节课我们继续回到学习机器人学的路上来。本节可我们通过来学习使用一个矩阵库Numpy，并且通过numpy将我们第一节学习到的矩阵相关计算一一实现。

1.NumPy是什么

NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词-- Numerical和Python。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算。

通过这个库我们可以非常简单的完成矩阵的创建、矩阵的计算、不管是二维还是多维都非常的easy.

NumPy可以使用在以下场景：

• 机器学习模型： 在编写机器学习算法时，需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等。NumPy提供了一个非常好的库，用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。

• 图像处理和计算机图形学： 计算机中的图像表示为多维数字数组。NumPy成为同样情况下最自然的选择。实际上，NumPy提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。

• 数学任务： NumPy对于执行各种数学任务非常有用，如数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于Python的MATLAB的快速替代。

2.Numpy安装

我们尝试在单元格内导入numpy，如果报错说明你没有安装

import numpy as np

在conda环境中安装非常的简单，也是一句话的事，在单元格内输入下面的代码，然后Shift+Enter执行即可。

注意指令前面有一个!，感叹号代表我们输入的是一句命令行

!pip install numpy  -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，再次导入就不会报错了。

3.创建矩阵

导入完成之后我们就可以通过numpy来创建矩阵。

numpy中有矩阵和数组两个概念，数组比矩阵更加灵活

3.1 创建单位矩阵

创建一个3*3的零矩阵。

np.identity(3)

3.2 创建零矩阵

创建一个3*3的单位矩阵。

np.zeros([3,3])

3.3 创建随机矩阵

创建一个3*3的随机矩阵。

np.random.rand(3,3)

3.4 从已有数组创建矩阵

假设我们已经有了数据，我们想创建一个矩阵怎么办呢？

比如我们创建一个2*2的矩阵，矩阵的数据分别是[1,2,3,4]。

我们可以通过reshape改变矩阵的形状，这里我们把矩阵变成了2*2的样子。

np.asarray([1,2,3,4]).reshape(2,2)

3.5 判断两个矩阵是否相等

numpy的allclose方法，比较两个array是不是每一元素都相等，默认在1e-05的误差范围内。

我们做一个测试：

print("零矩阵和单位矩阵",np.allclose(np.zeros([3,3]),np.identity(3)))
print("单位矩阵和单位矩阵",np.allclose(np.identity(3),np.identity(3)))

4.计算矩阵

计算矩阵我们主要对第一节中的矩阵算法进行验证。

4.1 矩阵加法/减法

加法使用np.add,减法np.subtract

A = np.asarray([1,2,3,4]).reshape(2,2)
B = np.zeros(2)
print(np.add(A,B))

4.2 矩阵乘法

乘法使用np.dot

（前提同形）任何矩阵乘上零矩阵等于零矩阵，任何矩阵乘上单位矩阵等于其本身

A = np.asarray([1,2,3,4]).reshape(2,2)
B = np.zeros([2,2])
C = np.identity(2)
print(np.dot(A,B))
print(np.dot(A,C))

4.3 矩阵求逆

矩阵求逆使用np.linalg.inv

矩阵的逆与矩阵的乘积为单位矩阵

A = np.asarray([1,2,3,4]).reshape(2,2)
A_INV = np.linalg.inv(A)
print(A_INV)
print(np.dot(A,A_INV))

需要注意的是，并不是所有的矩阵都有逆，比如零矩阵就没有逆，如果尝试用numpy来求逆则会出现错误

O = np.zeros(2)
O_INV = np.linalg.inv(O)

4.4 矩阵转置

矩阵转置在矩阵后使用.T即可

A = np.asarray([1,2,3,4]).reshape(2,2)
A.T

5.总结

今天一起学习了下numpy操作矩阵，还有更多的资料可以在公众号后台回复numpy获取，我们下节见～

技术交流&&问题求助：

• 微信公众号及交流群：鱼香ROS
• 小鱼微信：AiIotRobot
• QQ交流群：139707339
• 版权保护：已加入“维权骑士”（rightknights.com）的版权保护计划

作者介绍：

我是小鱼，机器人领域资深玩家，现深圳某独脚兽机器人算法工程师一枚 初中学习编程，高中开始接触机器人，大学期间打机器人相关比赛实现月入2W+（比赛奖金） 目前在输出机器人学习指南、论文注解、工作经验，欢迎大家关注小鱼，一起交流技术，学习机器人