我用过的tensorflow函数

1. tf.reduce_sum()

    假设x=[[1,2],[3,4]],那么

    tf.reduce_sum(x)     ==> 10    #求所有元素的和   等价于tf.reduce_sum(x,[0,1]),通俗理解为按行按列求和

    tf.reduce_sum(x,0)    ==>[4,6]   #相当于按列求和

    tf.reduce_sum(x,1)    ==>[3,7]   #相当于按行求和

2.tf.squared_difference(tensor_1,tensor_2)

    假设x=[[1,2],[3,4]],y=[[2,3],[4,5]],那么

    tf.squared_difference(x,y)    ==>  [[1,1],[1,1]]

    可以通俗理解为两个矩阵相减，然后对矩阵的每个元素求平方,当然了，tf.reduce_sum( tf.squared_difference(x,y) ) ==> 4

    函数还支持广播，比如

    tf.squared_difference(x,1) ==>[[0,1],[4,9]]

3.tf.multiply和tf.matmul的用法及区别

    tf.multiply

import tensorflow as tf  

#两个矩阵的对应元素各自相乘！！
x=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  
y=tf.constant([[0,0,1.0],[0,0,1.0],[0,0,1.0]])
#注意这里这里x,y要有相同的数据类型，不然就会因为数据类型不匹配而出错
z=tf.multiply(x,y)

#两个数相乘
x1=tf.constant(1)
y1=tf.constant(2)
#注意这里这里x1,y1要有相同的数据类型，不然就会因为数据类型不匹配而出错
z1=tf.multiply(x1,y1)

#数和矩阵相乘
x2=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])
y2=tf.constant(2.0)
#注意这里这里x1,y1要有相同的数据类型，不然就会因为数据类型不匹配而出错
z2=tf.multiply(x2,y2)

#两个矩阵相乘
x3=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  
y3=tf.constant([[0,0,1.0],[0,0,1.0],[0,0,1.0]])
#注意这里这里x,y要满足矩阵相乘的格式要求。
z3=tf.matmul(x,y)

with tf.Session() as sess:  
    print(sess.run(z))
    print(sess.run(z1))
    print(sess.run(z2))
    print(sess.run(z3))

 

 

 

    4.