TensorFlow2.1下的数学运算

1、tensor的加减乘除求余取整（+-*/%//）

注，这里的乘（*）是矩阵的对应元素相乘

一个/是数学中除法，两个//是取整

b = tf.fill([2, 2], 2.)
a = tf.ones([2, 2])

a + b, a - b, a* b, a/b
Out[137]:
(<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[3., 3.],
       [3., 3.]], dtype=float32)>,
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[-1., -1.],
       [-1., -1.]], dtype=float32)>,
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[2., 2.],
       [2., 2.]], dtype=float32)>,
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0.5, 0.5],
       [0.5, 0.5]], dtype=float32)>)

b//a, b%a
Out[138]:
(<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[2., 2.],
       [2., 2.]], dtype=float32)>,
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
       [0., 0.]], dtype=float32)>)

2、求对数和指数（tf.math.log、tf.exp）

注： (其中$e$为无理数，其值大约等于$2.718281828...$)
$$tf.math.log(a)=lo{g}_e(a)$$$$tf.exp(a)=e^a$$

a
Out[139]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[1., 1.],
      [1., 1.]], dtype=float32)>

tf.math.log(a)
Out[140]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
      [0., 0.]], dtype=float32)>

tf.exp(a)
Out[141]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[2.7182817, 2.7182817],
      [2.7182817, 2.7182817]], dtype=float32)>

注，不能实现$lo{g}_{10}(a)$ 或者$lo{g}_2(a)$ ,但是可以等于：
$$lo{g}_{10}(a)=lo{g}_{e}a/lo{g}_{e}10$$ $$lo{g}_2(a)=lo{g}_{e}a/lo{g}_{e}2$$

tf.math.log(8.)/tf.math.log(2.)
Out[143]: <tf.Tensor: shape=(), dtype=float32, numpy=3.0>

tf.math.log(100.)/tf.math.log(10.)
Out[144]: <tf.Tensor: shape=(), dtype=float32, numpy=2.0>

3、平方和开方（tf.pow()或 ** 和tf.sqrt()）

b
Out[145]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[2., 2.],
       [2., 2.]], dtype=float32)>

tf.pow(b, 3)
Out[146]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[8., 8.],
       [8., 8.]], dtype=float32)>

b**3
Out[147]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[8., 8.],
       [8., 8.]], dtype=float32)>

tf.sqrt(b)
Out[148]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[1.4142135, 1.4142135],
       [1.4142135, 1.4142135]], dtype=float32)>

4、矩阵乘 @ 或 tf.matmul

@ 或 tf.matmul - 矩阵相乘，前一个矩阵的列和后一行矩阵的行要相等

a, b
Out[149]:
(<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
 array([[1., 1.],
        [1., 1.]], dtype=float32)>,
 <tf.Tensor: shape=(2, 2), dtype=float32, numpy=
 array([[2., 2.],
        [2., 2.]], dtype=float32)>)

a @ b
Out[150]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[4., 4.],
       [4., 4.]], dtype=float32)>

tf.matmul(a, b)
Out[151]:
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[4., 4.],
       [4., 4.]], dtype=float32)>

注，多维情况下也可以进行矩阵乘运算

例如，有两个矩阵，他们的维度分别是[4， 2， 3]，[4， 3， 5]，多维的矩阵乘一般只把最后面两个维度进行相乘，即在这里，只进行4个[2, 3]@[3, 5], 最后结果维度为[4, 2, 5]。

a = tf.ones([4, 2, 3])
b = tf.fill([4, 3, 5], 2.)

a@ b
Out[154]:
<tf.Tensor: shape=(4, 2, 5), dtype=float32, numpy=
array([[[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]]], dtype=float32)>
tf.matmul(a, b)
Out[155]:
<tf.Tensor: shape=(4, 2, 5), dtype=float32, numpy=
array([[[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]]], dtype=float32)>

5、用broadcasting进行矩阵乘

a = tf.fill([4, 2, 3], 2.)
b = tf.ones([3, 5])

a.shape, b.shape
Out[161]: (TensorShape([4, 2, 3]), TensorShape([3, 5]))

bb = tf.broadcast_to(b, [4, 3, 5])
a@ bb
Out[168]:
<tf.Tensor: shape=(4, 2, 5), dtype=float32, numpy=
array([[[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]],
       [[6., 6., 6., 6., 6.],
        [6., 6., 6., 6., 6.]]], dtype=float32)>