tf计算矩阵维度_Tensorflow中tf.matmul() 和 tf.multiply() 的区别

1.tf.multiply()两个矩阵中对应元素各自相乘

格式:

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

参数:

• x: 一个类型为:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的张量。
• y: 一个类型跟张量x相同的张量。
• 返回值： x * y element-wise.

注意:

(1)multiply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，注意和tf.matmul区别。

(2)两个相乘的数必须有相同的数据类型，不然就会报错。

示例代码：

import tensorflow as tf

#两个矩阵对应元素各自相乘

x=tf.constant([[1.,2.,3.],[1.,2.,3.],[1.,2.,3.]])

y=tf.constant([[1.,0.,0.],[0.,1.,0.],[0.,0.,1.]])

#注意这里x,y必须要有相同的数据类型，不然就会因为数据类型不匹配报错

z=tf.multiply(x,y)

#两个数相乘

x1=tf.constant(1)

y1=tf.constant(2)

#注意这里x,y必须要有相同的数据类型，不然就会因为数据类型不匹配报错

z1=tf.multiply(x1,y1)

#数和矩阵相乘

x2=tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]])

y2=tf.constant(2.0)

#注意这里x,y必须要有相同的数据类型，不然就会因为数据类型不匹配报错

z2=tf.multiply(x2,y2)

init = tf.global_variables_initializer()

with tf.Session() as sess:

sess.run(init)

print(z.eval())

print(z1.eval())

print(z2.eval())

输出结果：

[[1. 0. 0.]

[0. 2. 0.]

[0. 0. 3.]]

2

[[ 2. 4. 6.]

[ 8. 10. 12.]

[14. 16. 18.]]

2.tf.matmul()将矩阵a乘以矩阵b，生成a * b。

格式:

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)

参数:

• a: 一个类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 > 1 的张量。
• b: 一个类型跟张量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(可选参数)
• 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。

注意：

(1)输入必须是矩阵(或者是张量秩 >２的张量，表示成批的矩阵)，并且其在转置之后有相匹配的矩阵尺寸。

(2)两个矩阵必须都是同样的类型，支持的类型如下：float16, float32, float64, int32, complex64, complex128。

示例代码：

import tensorflow as tf

#两个矩阵相乘

x3=tf.constant([[1.,2.,3.],[1.,2.,3.],[1.,2.,3.]])

y3=tf.constant([[1.,0.,0.],[0.,2.,0.],[0.,0.,3.]])

#注意这里x，y要满足矩阵相乘的格式要求

z3=tf.matmul(x3,y3)

init = tf.global_variables_initializer()

with tf.Session() as sess:

sess.run(init)

print(z3.eval())

输出结果：

[[1. 4. 9.]

[1. 4. 9.]

[1. 4. 9.]]