1)乘法函数mutiply:
tf.multiply(x, y, name=None)
是元素级别的相乘,即两个矩阵中对应元素相乘得对应位置的结果,同矩阵的加法类似。
2)矩阵乘法matmul:
tf.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)
是进行线代里面的矩阵的乘法,需要满足矩阵乘法的要求,即第一个的列等于第二个的行。
下面在说说tf.concat与tf.stack的区别:
刚开始还以为是两个比较简单的函数,但是发现要真正的理解axis参数还是要好好斟酌一下的:
tf.concat计算的是两个张量的连接,不改变张量的维度。在进行连接的时候,连接的方向,即axis的参数值,可以不同,但其他维度的值必须相同。
对于二维张量而言:
2个shape=(2,3)的二维张量,
当axis=0时:
tf.concat([x1,x2],axis=0),得到的结果为(4,3),即在列上连接。注意:由于axis=0,所以仅改变‘0’维上的数值变为4,其他的维度不变,依旧是3。
当axis=1时:
tf.concat([x1,x2],axis=1),得到的结果为(2,6),即在行上连接。注意:由于axis=1,所以仅改变‘1’维上的数值变为6,其他的维度不变,依旧是2。
对于三维张量的连接也类似。总的来说,在哪一个方向上连接,那么哪个维度上的数值发生变化,其他的都不变。所以两个张量进行连接,需要在不需要连接的维度上数值相等,在发生连接维度上不需要相等。
注意:对于一维张量:由于不存在axis=1,如果要连,必须要调用tf.expand_dims来扩维.
下面我们来说tf.stack:
tf.stack进行的是张量的堆叠,会使得结果的维度增加一维,而在哪一维上增加,则是根据axis的值决定。
对于一维张量进行堆叠:
2个包含3个元素的一维张量,
axis=0:
x1 = tf.constant([1,2,3],tf.float32)
x2 = tf.constant([7,8,9],tf.float32)
x = tf.stack([x1,x2,axis=0)
所得的结果是shape=(2,3)的张量:[[1. 2. 3.],[7. 8. 9.]]。注意:结果的维度增加了一维,由于axis=0,所以在‘0’维上增加了‘2’,使得(3),变成了(2,3)。
axis=1:
所得的结果是shape=(3,2)的张量:[[1. 7.],[2. 8.],[3. 9.]]。注意:结果的维度增加了一维,由于axis=1,所以在‘1’维上增加了‘2’,使得(3),变成了(3,2)。
总的来说,就是axis等于多少,就是在其代表的维度上(方向上)(0,1,2)增加维度,其他维度的值不变。所以在进行堆叠计算时,要求两个张量的尺寸必须完全相同。
对于2个shape=(2,3)的二维向量而言:
当axis=0时,结果shape=(2,2,3),在‘0’维上增加维度,其他的维度同样为(2,3)。
当axis=1时,结果shape=(2,2,3),在‘1’维上增加维度,其他的维度同样为(2,3)。
当axis=2时,结果shape=(2,3,2),在‘2’维上增加维度,其他的维度同样为(2,3)。
同样对于三维张量的堆叠也类似。