【深度学习之Tensorflow2.0】函数matmul和函数multiply的用法

最新推荐文章于 2024-04-29 09:11:33 发布

AI study

最新推荐文章于 2024-04-29 09:11:33 发布

阅读量4.4k

点赞数 2

分类专栏：深度学习文章标签： tensorflow 深度学习 python

本文链接： https://blog.csdn.net/weixin_43797885/article/details/121121556

版权

深度学习专栏收录该内容

5 篇文章 2 订阅

订阅专栏

函数matmul和函数multiply的用法

- - 1.函数matmul
  - 2.函数multiply

1.函数matmul

描述：是矩阵的乘法，矩阵的行和列对应相乘求和。
格式：X(mn) Y(nk) = Z(m*k)
代码：

x=[[[1,2],
   [3,4]],
  [[1,2],
   [3,4]]]  # Tensor：又叫张量，就是一个任意维的矩阵
m=tf.matmul(x,x) # 乘法
print(m)

2.函数multiply

描述：两个矩阵对应元素相乘，可以是矩阵乘矩阵、可以是矩阵乘向量、也可以是矩阵乘具体某个数。
格式：X(mn) Y(mn) = Z(m*n)
代码：

x1=np.ones(shape=[2,2,2],dtype=np.float32)  # 初始化数组
print('NumPy数组',x1)
x2=tf.multiply(x1,x1)  # 两个矩阵对应位置相乘，要求量矩阵形状必须相同
print('Tensor张量',x2)

立减 ¥

2
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

TensorFlow2.0全面解析与实现

程序员光剑

08-18

686

作者：禅与计算机程序设计艺术 1.简介 TensorFlow是一个开源的深度学习框架，它最初于2015年发布于GitHub上。目前，TF2.0版本已经在GitHub上正式发布，并被广泛地应用在各行各业，包括人工智能、医疗健康、自然语言处理、图像识别等领域。本文将详细介绍一下TensorFlow 2.0的

TensorFlow2.0学习笔记-4.模型的自定义

ruoqi23的博客

08-06

2329

4.模型的自定义 4.1.自定义层使用的主要数据结构是Layer 实现自定义层的最佳方法是扩展tf.keras.layers.Layer类并实现： • __init__：可以在其中进行所有与输入无关的初始化，定义相关的层 • build：知道输入张量的形状并可以进行其余的初始化 • call：在这里进行前向传播注意：不一定需要在build中创建变量时，也可以在__init__中创建它们。 tf.keras.Model和tf.keras.layers.Layer有什么区别和联系？ •通...

参与评论您还未登录，请先登录后发表或查看评论

Tensorflow函数学习笔记2---tf.multipy和tf.matmul

weixin_41650458的博客

09-08

2295

1、multiply(x,y,name=None)—实现元素级别的相乘 1）注意：x与y要有相同的数据类型，要是int都是int，要是float都是float，否则会因为数据类型不匹配而报错，看下面例子： x=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]]) y=tf.constant([[0,0,1],[0,0,1],[0,...

tensorflow matmul函数

qq_35597259的博客

07-12

1521

tensorflow 函数matmul要求 a=tf.constant([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]]) b=tf.constant([[[1,2],[3,4],[5,6]],[[1,2],[3,4],[5,6]]]) print(a.shape) print(b.shape) c=tf.matmul(a,b) print(c) 结论：要求 a、b的最后两维可乘，其他维度相等。但有时会有一些隐性的东西： a=tf.constant([[[1,2,3],[4,5,

tensorflow tf.matmul() （多维）矩阵相乘（多维矩阵乘法）

Dontla的博客

12-07

4553

@tf_export("matmul") def matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, ...

【Tensorflow函数】tf.matmul

baidu_23287903的专栏

06-17

2928

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)###Multiplies matrix a by matrix b, producing a * b.将矩阵a 乘于矩阵b。...

TensorFlow四则运算之乘法：tf.multiply()

热门推荐

凝眸伏笔的博客

09-16

1万+

1.作用：逐元素相乘 tf.math.multiply( x, y, name=None ) 输入： x:一个tensor，类型得是bfloat16, half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128. y:跟x同类型。输出：逐个元素相乘后的结果。 import tensorflow as tf a = tf.constant([[3, 2], [5, 1..

tensorflow2.0系列（4）: Eager Execution和Auto Graph

几何君的算法天空

01-19

1681

目录静态图的弊端Eager模式Eager execution的基本特性对 numpy 的支持Auto Graph - 动态图static analysis VS dynamic flow局部参数的可见域python collections 数据在tensorflow控制流的使用tensorflow 控制流中tensor的维度和数据类型动态计算与静态维度dtype和shape的一致性原代码的可达性E...

【tensorflow编写网络】盘点tensorflow里都有哪些常用函数

mine-Programmer

05-14

518

我们经常在看神经网络的python文件中，必要可少的用到tensorflow的库，无论是在深度学习还是机器学习。今天我们就按照下面的顺序盘点一下这些函数。本文持续更新，以后碰到常见的函数再更新。 tf.gradients tf.train.AdamOptimizer tf.multiply np.newaxis get_tensor_by_name tf.Variable tf.placeholder global_variable_initializer t

GraphSAGE 模型解读与tensorflow2.0代码实现

VariableX的博客

11-23

2012

上一篇文章，我们讲了图神经网络：图卷积神经网络(GCN)理解与tensorflow2.0代码实现，也提到GCN的缺点：GCN属于直推式学习(Transductive Learning)，它在固定的图上学习每个节点的embedding表示，不能泛化到未加入到图中的节点，一旦图的结构发生改变，就需要重新训练整个网络。本文提到的 GraphSAGE 属于归纳学习(Inductive Learning)，核心是学习聚合邻居节点信息的函数（聚合函数），然后利用聚合函数来得到一个节点的表示。即使图中加入了新的节点，建

【TensorFlow】深度前馈神经网络：matmul()矩阵乘法，激活函数tf.nn.relu()，交叉熵损失函数，Softmax回归

一亿少女的梦

10-18

1102

TensorFlow游乐场 1 网络的前馈方式深度前馈神经网络，简称前馈神经网络，指的是具有前馈特征的一类神经网络模型。最具有代表性的是多层感知机(MLP)模型。前馈神经网络模型是向前的，在模型的输出和模型本身不存在链接，也就不构成反馈。当然前馈神经网络也可以被扩展成包含反馈链接的循环网络(RNN)。前馈神经网络实现了统计与泛化的函数近似机。神经网络模型中相邻两层单元键的连接方式分为：全连接方式：网络当前层的单元与网络上一层的每个单元都存在连接。稀疏连接方式：网络当前层的单元只与网络上一层的部

TensorFlow常用乘法函数总结：tf.multiply()、*、tf.matmul()、@、tf.scalar_mul()、tf.tensordot()、tf.einsum()

qq_43629945的博客

04-28

2218

tf.multiply() 或 * 为元素对位相乘，即哈达玛积，要求两个矩阵shape一致，或其中一个维度为1。tf.matmul() 或 @ 为矩阵乘法，参与运算的是最后两维形成的矩阵，不支持矩阵-向量乘法或两个向量的点积。tf.scalar_mul() 为标量和张量相乘，即参数之一为标量。外积 tf.tensordot(a, b, axes=0)，点积 tf.tensordot(a, b, axes=1)，a和b都是一维向量。tf.einsum() 是通用函数模板，numpy和Pytorch有类似的用法

深度学习operation: matmul之NV shader实现

qq_33345917的博客

07-25

293

最近工作需要写shader，决定开个新坑，我写过的shader都会在后续文章公开。写shader还是有必要了解一下NV GPU的硬件建构，至少知道device代码运行时的物理地址映射，CPU程序运行时有堆和栈的概念，而NV GPU 运行时是不同的，例如CPU c++ 函数内局部变量放在栈里，但NV GPU c++函数局部变量放在相应的SP寄存器里，特别是要写出高性能shader，往往需要对针对特定硬件架构做优化。此实现利用了share memory做加速。下面是工程结构： build.sh nvcc

TensorFlow学习之multiply和matmul（三）

qq_33589122的博客

09-15

288

目录 tf.multiply() tf.matmul() tf.multiply() 定义：两个矩阵中对应元素各自相乘使用方法 tf.multiply(x,y,name=None) 参数： x：一个数据类型为：half,float32,....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：两个元素的数必须有相同的数据类型，不然...

TensorFlow中的tf.batch_matmul()

yyhhlancelot的博客

07-24

7069

如果有两个三阶张量，size分别为 a.shape = [100, 3, 4] b.shape = [100, 4, 5] c = tf.batch_matmul(a, b) 则c.shape = [100, 3, 5] //将每一对 3x4 的矩阵与 4x5 的矩阵分别相乘。batch_size不变 100为张量的batch_size。剩下的两个维度为数据的维度。不过新版的ten...

Tensorflow架构中的matmul矩阵乘法和mul点乘法

arenascat的博客

03-04

3903

一般来说会遇到这两种乘法，这两种乘法是我们经常会遇到的，不过在计算中，矩阵乘法会更常用一点例如，我设置两个常量，分别是v1和v2，现在需要将两者相乘 v1 = tf.constant([[1.0,2.0],[3.0,4.0]]) v2 = tf.constant([[5.0,6.0],[7.0,8.0]]) 点乘和矩阵乘法两者计算区别如下： 1.采用点乘，也就是点对点乘法，得到的结果是...

【NumPy】深入解析numpy中的 matmul 方法

最新发布

2402_83361138的博客

04-29

806

对于两个矩阵 ( A ) 和 ( B )，如果 ( A ) 是一个 ( m \times n ) 的矩阵，而 ( B ) 是一个 ( n \times p ) 的矩阵，它们的矩阵乘法 ( C = A \times B ) 将产生一个 ( m \times p ) 的矩阵 ( C )，其中每个元素 ( C_{ij} ) 由以下公式给出：NumPy 的matmul方法为执行矩阵乘法提供了一种高效且易于使用的接口。本文介绍了矩阵乘法的基本概念、matmul函数的使用方法以及它在解决实际问题中的应用。

tf.matmul / tf.multiply

weixin_33690963的博客

04-30

import tensorflow as tfimport numpy as np 1.tf.placeholder placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。 2.tf.session ...

Tensorflow中multiply()函数与matmul()函数的用法区别

dimu1942的博客

07-31

5868

1.tf.multiply()函数：矩阵对应元素相乘官网定义: 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。注意： ...

tf.session() tensorflow2.0

06-28

### 回答1： tf.compat.v1.Session() 是 tensorflow2.0 中的会话。在TensorFlow 2.0中，使用tf.Session()不再是必需的，因为默认情况下TensorFlow 2.0会启用即时执行模式（Eager Execution），这意味着您可以直接执行TensorFlow操作，而无需将它们包装在会话中。如果您仍然需要使用会话，可以使用tf.compat.v1.Session()方法创建会话。例如： ``` import tensorflow.compat.v1 as tf # 创建一个常量张量 a = tf.constant(5.0) b = tf.constant(6.0) # 创建会话 with tf.compat.v1.Session() as sess: # 执行操作 c = tf.multiply(a, b) # 打印结果 print(c.eval()) ``` 请注意，在TensorFlow 2.0中，建议使用函数式API或子类化API来构建模型，而不是使用会话和图。 ### 回答2： tf.session() 是 TensorFlow 1.x 版本中的一个 Session 对象，用于在计算图中执行操作。但在 TensorFlow 2.0 版本中，tf.session() 已经被移除，取而代之的是 Eager Execution 模式。Eager Execution 模式使得 TensorFlow 类似于 Python 等语言的编程方式，可以实时地（命令式地）执行操作，无需先构建计算图。Eager Execution 模式的特点如下： 1. 实时执行：像 Python 一样，代码一行一行地执行，可以立即看到结果。 2. 更加直观：类似于 NumPy 的编程方式，使得代码更加易读。 3. 不需要 Session：不需要预先定义 Session 来进行执行，直接调用函数即可。 4. 更加灵活：可以通过控制流和 Python 控制结构来编写代码，使得代码更加灵活。在 TensorFlow 2.0 中，可以通过以下方式使用 Eager Execution 模式: ```python import tensorflow as tf tf.compat.v1.disable_eager_execution() ``` 或者更简单的方式： ```python import tensorflow.compat.v1 as tf tf.disable_eager_execution() ``` 这样，就可以写出像普通的 Python 代码一样的 TensorFlow 代码了，使得开发和调试更加方便快捷。 ### 回答3： tf.session() 是 TensorFlow 1.x 版本中的重要概念。它是一个计算图的执行环境，可以在其中进行计算图的计算。然而，在 TensorFlow 2.0 中，tf.session() 不再存在，被新的执行方式所替代。在 TensorFlow 2.0 中，执行图的方式已经成为了自然而然的过程，无需使用 tf.session()。新的方式是，采用 Eager Execution 的模式进行执行。Eager Execution 是 TensorFlow 2.0 引入的一种命令式编程模式，它允许实时地运行操作，计算并输出结果。它的最大优点是，允许使用 Python 自身的控制流，如 if、for 循环等语法，这使得程序更加灵活且易于调试。同时，也减少了许多前版本版本臭名昭著的易错代码。使用 Eager Execution 模式的代码如下： ``` import tensorflow as tf # 创建一个计算图 a = tf.constant(2) b = tf.constant(3) x = tf.add(a, b) # 显示结果 print(x.numpy()) ``` 以上代码将输出 5，即计算了 a + b 的结果。为了兼容以前的代码，TensorFlow 2.0 仍然保留 tf.compat.v1 中的 session() 函数，可以使用此函数调用 TensorFlow 1.x 版本的旧代码，但未来可能会被移除，因此，开发者应该尽可能使用新的 Eager Execution 模式编写代码。