Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)
Tensorflow二维、三维、四维矩阵运算（矩阵相乘，点乘，行/列累加）
1.矩阵相乘
根据矩阵相乘的匹配原则，左乘矩阵的列数要等于右乘矩阵的行数。
在多维（三维、四维）矩阵的相乘中，需要最后两维满足匹配原则。
可以将多维矩阵理解成：（矩阵排列，矩阵），即后两维为矩阵，前面的维度为矩阵的排列。
比如对于（2，2，4）来说，视为2个（2，4）矩阵。
对于（2，2，2，4）来说，视为2*2个（2，4）矩阵。
importtensorflowastf
a_2d=tf.constant([1]*6,shape=[2,3])
b_2d=tf.constant([2]*12,shape=[3,4])
c_2d=tf.matmul(a_2d,b_2d)
a_3d=tf.constant([1]*12,shape=[2,2,3])
b_3d=tf.constant([2]*24,shape=[2,3,4])
c_3d=tf.matmul(a_3d,b_3d)
a_4d=tf.constant([1]*24,shape=[2,2,2,3])
b_4d=tf.constant([2]*48,shape=[2,2,3,4])
c_4d=tf.matmul(a_4d,b_4d)
withtf.Session()assess:
tf.global_variables_initializer().run()
print("#{}*{}={}\n{}".
format(a_2d.eval().shape,b_2d.eval().shape,c_2d.eval().shape,c_2d.eval()))
print("#{}*{}={}\n{}".
format(a_3d.eval().shape,b_3d.eval().shape,c_3d.eval().shape,c_3d.eval()))
print("#{}*{}={}\n{}".
format(a_4d.eval().shape,b_4d.eval().shape,c_4d.eval().shape,c_4d.eval()))
2.点乘
点乘指的是shape相同的两个矩阵，对应位置元素相乘，得到一个新的shape相同的矩阵。
a_2d=tf.constant([1]*6,shape=[2,3])
b_2d=tf.constant([2]*6,shape=[2,3])
c_2d=tf.multiply(a_2d,b_2d)
a_3d=tf.constant([1]*12,shape=[2,2,3])
b_3d=tf.constant([2]*12,shape=[2,2,3])
c_3d=tf.multiply(a_3d,b_3d)
a_4d=tf.constant([1]*24,shape=[2,2,2,3])
b_4d=tf.constant([2]*24,shape=[2,2,2,3])
c_4d=tf.multiply(a_4d,b_4d)
withtf.Session()assess:
tf.global_variables_initializer().run()
print("#{}*{}={}\n{}".
format(a_2d.eval().shape,b_2d.eval().shape,c_2d.eval().shape,c_2d.eval()))
print("#{}*{}={}\n{}".
format(a_3d.eval().shape,b_3d.eval().shape,c_3d.eval().shape,c_3d.eval()))
print("#{}*{}={}\n{}".
format(a_4d.eval().shape,b_4d.eval().shape,c_4d.eval().shape,c_4d.eval()))
另外，点乘的其中一方可以是一个常数，也可以是一个和矩阵行向量等长（即列数）的向量。
即
因为在点乘过程中，会自动将常数或者向量进行扩维。
a_2d=tf.constant([1]*6,shape=[2,3])
k=tf.constant(2)
l=tf.constant([2,3,4])
b_2d_1=tf.multiply(k,a_2d)#tf.multiply(a_2d,k)isalsook
b_2d_2=tf.multiply(l,a_2d)#tf.multiply(a_2d,l)isalsook
a_3d=tf.constant([1]*12,shape=[2,2,3])
b_3d_1=tf.multiply(k,a_3d)#tf.multiply(a_3d,k)isalsook
b_3d_2=tf.multiply(l,a_3d)#tf.multiply(a_3d,l)isalsook
a_4d=tf.constant([1]*24,shape=[2,2,2,3])
b_4d_1=tf.multiply(k,a_4d)#tf.multiply(a_4d,k)isalsook
b_4d_2=tf.multiply(l,a_4d)#tf.multiply(a_4d,l)isalsook
withtf.Session()assess:
tf.global_variables_initializer().run()
print("#{}*{}={}\n{}".
format(k.eval().shape,a_2d.eval().shape,b_2d_1.eval().shape,b_2d_1.eval()))
print("#{}*{}={}\n{}".
format(l.eval().shape,a_2d.eval().shape,b_2d_2.eval().shape,b_2d_2.eval()))
print("#{}*{}={}\n{}".
format(k.eval().shape,a_3d.eval().shape,b_3d_1.eval().shape,b_3d_1.eval()))
print("#{}*{}={}\n{}".
format(l.eval().shape,a_3d.eval().shape,b_3d_2.eval().shape,b_3d_2.eval()))
print("#{}*{}={}\n{}".
format(k.eval().shape,a_4d.eval().shape,b_4d_1.eval().shape,b_4d_1.eval()))
print("#{}*{}={}\n{}".
format(l.eval().shape,a_4d.eval().shape,b_4d_2.eval().shape,b_4d_2.eval()))
4.行/列累加
a_2d=tf.constant([1]*6,shape=[2,3])
d_2d_1=tf.reduce_sum(a_2d,axis=0)
d_2d_2=tf.reduce_sum(a_2d,axis=1)
a_3d=tf.constant([1]*12,shape=[2,2,3])
d_3d_1=tf.reduce_sum(a_3d,axis=1)
d_3d_2=tf.reduce_sum(a_3d,axis=2)
a_4d=tf.constant([1]*24,shape=[2,2,2,3])
d_4d_1=tf.reduce_sum(a_4d,axis=2)
d_4d_2=tf.reduce_sum(a_4d,axis=3)
withtf.Session()assess:
tf.global_variables_initializer().run()
print("#a_2d行累加得到shape:{}\n{}".format(d_2d_1.eval().shape,d_2d_1.eval()))
print("#a_2d列累加得到shape:{}\n{}".format(d_2d_2.eval().shape,d_2d_2.eval()))
print("#a_3d行累加得到shape:{}\n{}".format(d_3d_1.eval().shape,d_3d_1.eval()))
print("#a_3d列累加得到shape:{}\n{}".format(d_3d_2.eval().shape,d_3d_2.eval()))
print("#a_4d行累加得到shape:{}\n{}".format(d_4d_1.eval().shape,d_4d_1.eval()))
print("#a_4d列累加得到shape:{}\n{}".format(d_4d_2.eval().shape,d_4d_2.eval()))
以上这篇Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。