tensorflow2.0—矩阵向量相关操作

一 、标量运算

加减乘除乘方，以及三角函数，指数，对数等常见函数，逻辑比较运算符

import tensorflow as tf
import numpy as np 
##定义两个常量
a = tf.constant([[1,2],[3,4]])
b = tf.constant([[5,6],[7,8]])
#基本的操作符如下
#+ - * /** % // >= 
#(a>=2)&(a<=3) (a>=2)|(a<=3)  a==5 #tf.equal(a,5)
#a%3  mod的运算符重载，等价于m = tf.math.mod(a,3)
tf.sqrt(a)#开方 sqrt 

1 maximum 与 minimum

#Returns the max of x and y (i.e. x > y ? x : y) element-wise.
tf.maximum(a,b)
#Returns the min of x and y (i.e. x < y ? x : y) element-wise.
tf.minimum

2 幅值裁剪clip_by_value 与 clip_by_norm

x = tf.constant([2.6,-2.7])

tf.print(tf.math.round(x)) #保留整数部分，四舍五入[3 -3]
tf.print(tf.math.floor(x)) #保留整数部分，向下归整[2 -3]
tf.print(tf.math.ceil(x))  #保留整数部分，向上归整[3 -2]

clip_by_value 与 clip_by_norm

#tf.clip_by_value(t, clip_value_min, clip_value_max, name=None)
#小于小的 设置为小的  大于大的设置为大的

x = tf.constant([0.9,-0.8,100.0,-20.0,0.7])
y = tf.clip_by_value(x,clip_value_min=-1,clip_value_max=1)#[0.9 -0.8 1 -1 0.7]

#将张量值剪裁为最大L2范数。
z = tf.clip_by_norm(x,clip_norm = 3)
#[0.0264732055 -0.0235317405 2.94146752 -0.588293493 0.0205902718]

二、 向量运算

向量运算符都以reduce开头

1 reduce_sum、mean、max、min

#张量指定维度进行reduce
b = tf.reshape(a,(3,3))
#<tf.Tensor: shape=(3, 3), dtype=int32, numpy=
#array([[1, 2, 3],
#       [4, 5, 6],
#       [7, 8, 9]])>
tf.print(tf.reduce_sum(b, axis=1, keepdims=True))#
tf.print(tf.reduce_sum(b, axis=0, keepdims=True))

a = tf.range(1,10)
tf.print(tf.reduce_sum(a))#45
tf.print(tf.reduce_mean(a))#5
tf.print(tf.reduce_max(a))#9
tf.print(tf.reduce_min(a))#1

2 reduce_prob 乘积

指定axis 时 就是该维度的相乘 没有指定就是所有元素连乘法

#向量reduce
a = tf.range(1,10)
tf.print(tf.reduce_prod(a))#326880 指定axis 时 就是该维度的相乘 没有指定就是所有元素连乘法

3 reduce_all 与 reduce_any [逻辑符and or】

reduce_all
tf.math.logical_and
数学逻辑_和

reduce_any
tf.math.logical_or
数学元素在张量维度上的逻辑_或`。

4 foldr 实现匿名函数

#利用tf.foldr实现tf.reduce_sum
s = tf.foldr(lambda a,b:a+b,tf.range(10)) #45

5 cum累计

#cum扫描累积
a = tf.range(1,10)
tf.print(tf.math.cumsum(a))#累加
tf.print(tf.math.cumprod(a))#累乘

6 argmax 与 argmmin 极值索引

返回最大值最小值索引

7 top_k 排序

#tf.math.top_k可以用于对张量排序
a = tf.constant([1,3,7,5,4,8])

values,indices = tf.math.top_k(a,3,sorted=True)
tf.print(values)
tf.print(indices)


#利用tf.math.top_k可以在TensorFlow中实现KNN算法

三、 矩阵运算

矩阵运算包括：矩阵乘法，矩阵转置，矩阵逆，矩阵求迹，矩阵范数，矩阵行列式，矩阵求特征值，矩阵分解等运算

1 矩阵乘法@、转置、逆、范数、行列式

a@b  #等价于
tf.matmul(a,b)

矩阵乘法	a@b #等价于tf.matmul(a,b)
矩阵转置	tf.transpose(a)
矩阵逆	tf.linalg.inv(a)
矩阵求trace迹	tf.linalg.trace(a)
矩阵求范数	tf.linalg.norm(a)
矩阵行列式	tf.linalg.det(a)
矩阵特征值	tf.linalg.eigvals(a)

2 矩阵分解

1.矩阵正交三角（QR）分解

#矩阵QR分解, 将一个方阵分解为一个正交矩阵q和上三角矩阵r
#QR分解实际上是对矩阵a实施Schmidt正交化得到q
a = tf.constant([[1.0,2.0],[3.0,4.0]],dtype = tf.float32)
q,r = tf.linalg.qr(a)
tf.print(q)
tf.print(r)
tf.print(q@r)

2.矩阵SVD分解

#矩阵svd分解
#svd分解可以将任意一个矩阵分解为一个正交矩阵u,一个对角阵s和一个正交矩阵v.t()的乘积
#svd常用于矩阵压缩和降维
a  = tf.constant([[1.0,2.0],[3.0,4.0],[5.0,6.0]], dtype = tf.float32)
s,u,v = tf.linalg.svd(a)
tf.print(u,"\n")
tf.print(s,"\n")
tf.print(v,"\n")
tf.print(u@tf.linalg.diag(s)@tf.transpose(v))

#利用svd分解可以在TensorFlow中实现主成分分析降维

四、 广播机制

广播规则和numpy是一样的原理，使得维度相同 从而进行相关操作

tf.broadcast_to

#计算广播后计算结果的形状，动态形状，Tensor类型参数
c = tf.constant([1,2,3])
d = tf.constant([[1],[2],[3]])
tf.broadcast_dynamic_shape(tf.shape(c),tf.shape(d))

#广播效果
c+d #等价于 tf.broadcast_to(c,[3,3]) + tf.broadcast_to(d,[3,3])