TensorFlow张量的数学运算

1.基础运算

加减乘除四个最基本的数学运算，在TensorFlow中分别通过 tf.add, tf.subtract, tf.multiply, tf.divide 函数实现，TensorFlow 已经重载了+ ，−，∗，/运算符，一般为了方便，都是直接使用的运算符即可。

另外，整除和余除也是常见的运算之一，分别通过//和%运算符实现。

a = tf.constant([1, 3])
b = tf.constant([2, 4])
print("a+b: ", a + b)
print("a-b: ", a - b)
print("a*b: ", a * b)
print("a/b: ", a / b)

a+b:  tf.Tensor([3 7], shape=(2,), dtype=int32)
a-b:  tf.Tensor([-1 -1], shape=(2,), dtype=int32)
a*b:  tf.Tensor([ 2 12], shape=(2,), dtype=int32)
a/b:  tf.Tensor([0.5  0.75], shape=(2,), dtype=float64)

a = tf.range(5)
b = tf.constant(2)
print("a//b:", a//b)
print("a%b:", a%b)

a//b: tf.Tensor([0 0 1 1 2], shape=(5,), dtype=int32)
a%b: tf.Tensor([0 1 0 1 0], shape=(5,), dtype=int32)

2.乘方

通过 tf.pow(x, a)可以方便地完成𝑦 = 𝑥𝑎乘方运算，也可以通过运算符**实现𝑥 ∗∗ 𝑎运 算。

x = tf.range(4)
tf.pow(x, 3)

<tf.Tensor: id=92, shape=(4,), dtype=int32, numpy=array([ 0,  1,  8, 27])>

x = tf.range(4)
x ** 3

<tf.Tensor: id=98, shape=(4,), dtype=int32, numpy=array([ 0,  1,  8, 27])>

上面两种形式效果是等价的。

平方和平方根运算，可以使用 tf.square(x)和 tf.sqrt(x)实现。

x = tf.range(5)
x = tf.square(x)
x

<tf.Tensor: id=108, shape=(5,), dtype=int32, numpy=array([ 0,  1,  4,  9, 16])>

x = tf.range(5)
x = tf.cast(x, dtype=tf.float32)
x = tf.square(x)
x = tf.sqrt(x)
x

<tf.Tensor: id=167, shape=(5,), dtype=float32, numpy=array([0., 1., 2., 3., 4.], dtype=float32)>

3.指数和对数

通过 tf.pow(a, x)或者运算符可以方便实现指数运算ax。

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

<tf.Tensor: id=170, shape=(3,), dtype=float32, numpy=array([2., 4., 8.], dtype=float32)>

特别地，对于自然指数e**x,可以通过 tf.exp(x)实现。

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

<tf.Tensor: id=173, shape=(), dtype=float32, numpy=2.7182817>

自然对数logex可以通过 tf.math.log(x)实现。

x = tf.exp(3.)
tf.math.log(x)

<tf.Tensor: id=178, shape=(), dtype=float32, numpy=3.0>

如果希望计算其他底数的对数，可以根据对数的换底公式间接的通过 tf.math.log(x)实现。

x = tf.constant([1., 2.])
x = 10**x
tf.math.log(x)/tf.math.log(10.)

<tf.Tensor: id=188, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>

意思就是如今的TensorFlow只能够直接计算底为e的对数，以其他的数为底的对数的计算都需要间接地计算。

4.矩阵相乘

根据矩阵相乘的定义，a 和 b 能够矩阵相乘的条件是，a 的倒数第一个维度长度(列)和 b 的倒第二个维度长度(行)必须相等。

矩阵相乘可以通过@运算符实现，也可以通过tf.matmul()函数来实现。

a = tf.random.normal([4,3,23,32])
b = tf.random.normal([4,3,32,2])
a@b

<tf.Tensor: id=201, shape=(4, 3, 23, 2), dtype=float32, numpy=
array([[[[-1.57544804e+00,  1.28373241e+00],
         [ 2.98329115e+00,  4.73872280e+00],
         [-5.12334061e+00, -5.49857855e-01],
         [ 3.33070755e-03, -5.75717926e-01],
      ......

a = tf.random.normal([4,3,23,32])
b = tf.random.normal([4,3,32,2])
tf.matmul(a, b)

<tf.Tensor: id=240, shape=(4, 3, 23, 2), dtype=float32, numpy=
array([[[[ -8.949667  ,   6.5417395 ],
         [  3.9623122 ,   1.3060207 ],
         [ -3.9331567 ,  -3.33784   ],
         [ -0.649312  ,  -3.0009353 ],

矩阵相乘函数支持自动 Broadcasting 机制。