4tf矩阵基础1

tf矩阵基础1

#placehold
import tensorflow as tf
data1 = tf.placeholder(tf.float32)#浮点类型
data2 = tf.placeholder(tf.float32)
dataAdd = tf.add(data1,data2)
with tf.Session() as sess:
    print(sess.run(dataAdd,feed_dict={data1:6,data2:2}))
    # 参数1 dataAdd 参数2 data (feed_dict = {参数1:6,参数2:2})
print('end!')

• 问题

  C:\Users\16603\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\framework\dtypes.py:516: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
    _np_qint8 = np.dtype([("qint8", np.int8, 1)])
  C:\Users\16603\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\framework\dtypes.py:517: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
    _np_quint8 = np.dtype([("quint8", np.uint8, 1)])
  C:\Users\16603\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\framework\dtypes.py:518: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
    _np_qint16 = np.dtype([("qint16", np.int16, 1)])
  

• 解决（对应日志提示一个一个进行修改）

  找到错误日志里面对应目录下面的文件进行修改（518行）C:\Users\16603\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\framework\dtypes.py:518: FutureWarning: Passing (type, 1) or ‘1type’

  将_np_qint16 = np.dtype([(“qint16”, np.int16, 1)])

  改为_np_qint16 = np.dtype([(“qint16”, np.int16, (1,))])

• 解决以后输出正确结果

  8.0
  end!
  

2. 矩阵定义以及输出

• #矩阵类比 数组 M行N列 外部一定要有[]   内部[]  [里面 列数据]   里面[] 中括号的个数 行数
  #[[6,6]] [[6,6]]
  import tensorflow as tf
  data1 = tf.constant([[6,6]])#一行：内部一个中括号，两列：两个数据
  data2 = tf.constant([[2],
                       [2]])#两行一列
  data3 = tf.constant([[3,3]])#一行两列
  data4 = tf.constant([[1,2],
                       [3,4],
                       [5,6]])#三行两列
  print('打印data4的维度：',data4.shape)# 维度
  #print(data4.shape)# 维度(行数，列数)
  with tf.Session() as sess:
      print('打印data4整体:\n',sess.run(data4)) #打印整体
      print('打印data4第一行：',sess.run(data4[0]))# 打印某一行
      print('打印data4第一列：',sess.run(data4[:,0]))#MN 列
      print('打印data4第一行第二列：',sess.run(data4[0,1]))# 1 1  MN = 0 32 = M012 N01
  

  运行结果：

  打印data4的维度： (3, 2)
  打印data4整体:
   [[1 2]
   [3 4]
   [5 6]]
  打印data4第一行： [1 2]
  打印data4第一列： [1 3 5]
  打印data4第一行第二列： 2
  

  3.矩阵运算理论

  

  import tensorflow as tf
  data1 = tf.constant([[6,6]])
  data2 = tf.constant([[2],
                       [2]])
  data3 = tf.constant([[3,3]])
  data4 = tf.constant([[1,2],
                       [3,4],
                       [5,6]])
  matMul = tf.matmul(data1,data2)#矩阵乘法: 1X2  2X1得1X2
  matMul2 = tf.multiply(data1,data2)#
  matAdd = tf.add(data1,data3)#矩阵加法要相同1X2
  with tf.Session() as sess:
      print('1.[[6,6]]乘[[2],[2]]：matmul普通乘法',sess.run(matMul))#1 维 M=1 N2. 1X2(MK) 2X1(KN) = 1
      print('2.[[6,6]]加[[3,3]]：',sess.run(matAdd))#1行2列
      print('3.[[6,6]]乘[[2],[2]]：multiply\n',sess.run(matMul2))# 1x2 2x1 = 2x2 multiply类似于加法（乘），但不需要相同
      print('4.三种结果一次性打印：',sess.run([matMul,matAdd,matMul2]))#一次打印多种结果
  

  • 运行结果:

    1.[[6,6]]乘[[2],[2]]：matmul普通乘法 [[24]]
    2.[[6,6]]加[[3,3]]： [[9 9]]
    3.[[6,6]]乘[[2],[2]]：multiply
     [[12 12]
     [12 12]]
    4.三种结果一次性打印： [array([[24]]), array([[9, 9]]), array([[12, 12],
           [12, 12]])]
    

  矩阵初始化

  1. 矩阵初始化

  import tensorflow as tf
  #初始化并指定行列
  mat0 = tf.constant([[0,0,0],[0,0,0]])#两行三列初始化
  mat1 = tf.zeros([2,3])#zeros初始化
  mat2 = tf.ones([3,2])
  mat3 = tf.fill([2,3],15)
  with tf.Session() as sess:
      print('1.直接赋值方式初始化：\n',sess.run(mat0))
      print('2.使用 zeros 初始化0：\n',sess.run(mat1))
      print('3.使用 ones 初始化1：\n',sess.run(mat2))
      print('4.使用 fill 初始化15：\n',sess.run(mat3))
  

  • 结果

  1.直接赋值方式初始化：
   [[0 0 0]
   [0 0 0]]
  2.使用 zeros 初始化0：
   [[0. 0. 0.]
   [0. 0. 0.]]
  3.使用 ones 初始化1：
   [[1. 1.]
   [1. 1.]
   [1. 1.]]
  4.使用 fill 初始化15：
   [[15 15 15]
   [15 15 15]]
  

  2. 一些特殊矩阵

  import tensorflow as tf
  mat1 = tf.constant([[2],[3],[4]])
  mat2 = tf.zeros_like(mat1)#与mat1维度相同并且初始化为0
  mat3 = tf.linspace(0.0,2.0,11)#0.0-2.0分成十等分 中间11个数据
  mat4 = tf.random_uniform([2,3],-1,2)#随机矩阵序列，并指定维度-1——2
  with tf.Session() as sess:
      print('打印constant([[2],[3],[4]]):\n',sess.run(mat1))
      print('打印zeros_like(mat1):\n',sess.run(mat2))
      print('打印linspace(0.0,2.0,11):\n',sess.run(mat3))
      print('打印random_uniform([2,3],-1,2):\n',sess.run(mat4))
  

  • 结果：

  打印constant([[2],[3],[4]]):
   [[2]
   [3]
   [4]]
  打印zeros_like(mat1):
   [[0]
   [0]
   [0]]
  打印linspace(0.0,2.0,11):
   [0.        0.2       0.4       0.6       0.8       1.        1.2
   1.4       1.6       1.8000001 2.       ]
  打印random_uniform([2,3],-1,2):
   [[ 1.1290278  -0.16853952  0.76491785]
   [ 0.3711592   1.7550797   1.3344793 ]]
  

   1.4       1.6       1.8000001 2.       ]
  打印random_uniform([2,3],-1,2):
   [[ 1.1290278  -0.16853952  0.76491785]
   [ 0.3711592   1.7550797   1.3344793 ]]