tensorflow中mutiply与matmul的区别以及tf.concat与tf.stack的区别

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。