TensorFlow中张量以及操作矩阵的基础知识

《TensorFlow机器学习实战指南》学习笔记

import tensorflow as tf
import numpy as np
sess=tf.Session()

zero_tsr=tf.zeros([4,5])#4行，5列
#print(sess.run(zero_tsr))

ones_tsr=tf.ones([2,3])
#print(sess.run(ones_tsr))#2行，3列

filled_tsr=tf.fill([1,6],23)#1行，6列
#print(sess.run(filled_tsr))#返回张量值
#print(filled_tsr)#返回张量类型

zeros_similar=tf.zeros_like(filled_tsr)#相似形状的张量
#print(sess.run(zeros_similar))

linear_tsr=tf.linspace(start=0.,stop=1.,num=3)#取到stop
#print(sess.run(linear_tsr))

integer_seq_tsr=tf.range(start=6.,limit=15.,delta=3)#取不到limit
#print(sess.run(integer_seq_tsr))

randunif_tsr=tf.random_uniform([2,4],minval=3,maxval=6)#2行，4列均匀分布的随机数
#print(sess.run(randunif_tsr))

randnorm_tsr=tf.random_normal([3,2],mean=0.,stddev=1.)#3行，2列正态分布的随机数
#print(sess.run(randnorm_tsr))

identity_matrix=tf.diag([1.,1.,1.])

A=tf.truncated_normal([2,3])#该函数返回2行，3列的符合正态分布的值。
#该函数保证如果x的取值在区间（mu-2*sigma,mu+2*sigma）之外则重新进行选择，使值落在该区间内

B=tf.fill([2,3],5.)
C=tf.random_uniform([3,2])
D=tf.convert_to_tensor(np.array([[1.,2.,3.],[-3.,-7.,-1.],[0.,5.,-2.]]))

print(sess.run(identity_matrix))
print(sess.run(A))
print(sess.run(B))
print(sess.run(C))
print(sess.run(D))

print(sess.run(tf.matmul(B,identity_matrix)))
print(sess.run(tf.transpose(C)))#矩阵转置
print(sess.run(tf.matrix_determinant(D)))#矩阵的行列式
print(sess.run(tf.matrix_inverse(D)))#矩阵的逆

print(sess.run(tf.self_adjoint_eig(D)))#输出结果中，有两个数组，第一个是特征值，第二个是对应的特征向量