TensorFlow之基本数学运算

最新推荐文章于 2024-08-25 18:49:06 发布

kk123k

最新推荐文章于 2024-08-25 18:49:06 发布

阅读量905

点赞数 1

分类专栏： TensorFlow 文章标签： tensorflow python 深度学习人工智能

本文链接：https://blog.csdn.net/kk123k/article/details/86832228

版权

这篇博客详细介绍了TensorFlow中张量的基本数学运算，包括tf.multiply与tf.matmul的区别，元素乘法与矩阵乘法的使用，以及降维、扫描、张量分段统计、序列比较和类型转化等操作。

摘要由CSDN通过智能技术生成

0、张量运算的基本法则

相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级
不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting)
Tensor 与 Scalar(0维 tensor) 间的算术运算会将那个标量值传播到各个元素
Note： TensorFLow 在进行数学运算时，一定要求各个 Tensor 数据类型一致

1、tf.multiply和tf.matmul的区别

tf.multiply是元素级别的相乘，tf.matmul是矩阵的乘法

（1）元素乘法tf.multiply

tf.math.multiply(x,y,name=None)

x：类型为:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的张量。
y：类型跟张量x相同的张量。
name：操作的名字
返回值(元素级别的相乘)： x * y element-wise

注意：

①multiply这个函数实现的是元素级别的相乘，也就是两个相乘的数元素各自相乘，而不是矩阵乘法，注意与下面matmul的区别

②两个相乘的数必须有相同的数据类型，否则就会报错

（2）矩阵乘法tf.matmul

tf.linalg.matmul(a,b,transpose_a=False,transpose_b=False,
    adjoint_a=False,
    adjoint_b=False,
    a_is_sparse=False,
    b_is_sparse=False,
    name=None
)

a：类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 > 1 的张量。
b：类型跟张量a相同的张量。
transpose_a：如果为真, a则在进行乘法计算前进行转置。
transpose_b：如果为真, b则在进行乘法计算前进行转置。
adjoint_a：如果为真, a则在进行乘法计算前进行共轭和转置。
adjoint_b：如果为真, b则在进行乘法计算前进行共轭和转置。
a_is_sparse：如果为真, a会被处理为稀疏矩阵。
b_is_sparse：如果为真, b会被处理为稀疏矩阵。
name：操作的名字
返回值： 一个跟张量a和张量b类型一样的张量，且最内部矩阵是a和b中的相应矩阵的乘积。