要想用tensorflow解决问题,对numpy矩阵运算的熟悉是必不可少的
NumPy函数库中存在两种不同的数据类型(矩阵matrix和数组array),都可以用于处理行列表示的数字元素。虽然它们看起来很相似,但是在这两个数据类型上执行相同的数学运算可能得到不同的结果
import numpy as np
随机产生矩阵
np.random.rand(4,4)
随机产生一个4*4的矩阵
矩阵自运算
X.flags
#数组的存储情况信息。
X.shape
#结果是一个tuple,返回本数组的行数、列数、……
X.ndim
#数组的维数,结果是一个数
X.size
#数组中元素的数量
X.itemsize
#数组中的数据项的所占内存空间大小
X.dtype
#数据类型
X.T
#如果X是矩阵,发挥的是X的转置矩阵
X.trace()
#计算X的迹
np.linalg.det(a)
#返回的是矩阵a的行列式
np.linalg.norm(a,ord=None)
#计算矩阵a的范数
np.linalg.eig(a)
#矩阵a的特征值和特征向量
np.linalg.cond(a,p=None)
#矩阵a的条件数
np.linalg.inv(a)
#矩阵a的逆矩阵
矩阵二元运算
内积:
np.dot(a,b)
矢量外积:
outer(a,b)