深度学习|tensorflow张量运算

前言

为什么我们单独讲解一个tensorflow的张量（矩阵）运算了？因为神经网络原理其实就是矩阵的运算。如图所示，我们有三个神经元，两个输出。其实背后的计算不过是：

• x和权重矩阵相乘

• 加上偏差值

• 激活函数

所以，学会矩阵运算，是实现神经网络的第一步。

矩阵相乘和相加

相乘

矩阵的相乘我们使用tf.matmul方法。

1. X = tf.Variable([[1.,1.,1.]])

2. 
   

3. W = tf.Variable([[-0.5,-0.2 ],

4.                 [-0.3, 0.4 ],

5.                 [-0.5, 0.2 ]])

6. 
   

7. XW =tf.matmul(X,W )

8. 
   

9. with tf.Session() as sess:

10.    init = tf.global_variables_initializer()

11.    sess.run(init)

12.    print(sess.run(XW ))

13. # [[-1.29999995  0.40000001]]

相加

矩阵的加法很简单，就是用+即可完成。

1. b = tf.Variable([[ 0.1,0.2]])

2. XW =tf.Variable([[-1.3,0.4]])

3. 
   

4. Sum =XW+b</