Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

作者:Kenn7 时间:2023-12-19 04:07:42 

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 Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

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。


import tensorflow as tf

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)

with tf.Session() as sess:
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()))

Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

2. 点乘 Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

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)
with tf.Session() as sess:
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()))

Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

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。

Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

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) is also ok
b_2d_2 = tf.multiply(l, a_2d) # tf.multiply(a_2d, l) is also ok
a_3d = tf.constant([1]*12, shape=[2, 2, 3])
b_3d_1 = tf.multiply(k, a_3d) # tf.multiply(a_3d, k) is also ok
b_3d_2 = tf.multiply(l, a_3d) # tf.multiply(a_3d, l) is also ok
a_4d = tf.constant([1]*24, shape=[2, 2, 2, 3])
b_4d_1 = tf.multiply(k, a_4d) # tf.multiply(a_4d, k) is also ok
b_4d_2 = tf.multiply(l, a_4d) # tf.multiply(a_4d, l) is also ok

with tf.Session() as sess:
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()))

Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

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)

with tf.Session() as sess:
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()))

Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)

来源:https://blog.csdn.net/kane7csdn/article/details/84843154

标签:Tensorflow,矩阵,相乘,点乘
0
投稿

猜你喜欢

  • JS实现标签滚动切换效果

    2023-08-24 00:35:37
  • Python自定义模块的创建与使用

    2021-01-05 20:47:14
  • Oracle 数据库操作技巧集

    2010-07-26 12:49:00
  • MySQL实现数据更新的示例详解

    2024-01-13 23:13:44
  • python使用pip安装SciPy、SymPy、matplotlib教程

    2022-03-05 01:46:12
  • python playwright 自动等待和断言详解

    2021-04-04 19:39:01
  • Python 内存管理机制全面分析

    2021-07-17 07:21:17
  • python小球落地问题及解决(递归函数)

    2022-11-08 23:33:01
  • 利用J2ME与ASP建立数据库连接

    2010-04-03 20:53:00
  • Sql Server中的非聚集索引详细介

    2024-01-26 15:57:56
  • 使用JS批量选中功能实现更改数据库中的status状态值(批量展示)

    2024-01-28 00:18:38
  • 分析python服务器拒绝服务攻击代码

    2021-07-21 20:47:29
  • python 利用Pyinstaller打包Web项目

    2021-11-25 12:22:36
  • JS实现水平遍历和嵌套递归操作示例

    2024-04-22 12:48:01
  • Python实现学生成绩管理系统

    2023-08-13 09:51:17
  • 机器学习经典算法-logistic回归代码详解

    2021-05-06 23:56:12
  • PHP设计模式之迭代器模式浅析

    2023-05-25 11:26:26
  • python实现双色球随机选号

    2021-06-26 05:11:09
  • Django静态文件加载失败解决方案

    2021-05-25 19:40:47
  • Dreamweaver MX弹出窗口全攻略

    2010-09-05 21:14:00
  • asp之家 网络编程 m.aspxhome.com