标签：idt lex parse print 参数 atm tran run res
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 |
a,b的维数必须相同
import numpy as np
import tensorflow as tf
a = np.array([[1,2],
[2,2],
[3,2]])
b= np.array([[3,1,1,4],
[3,1,1,4]])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
Input = tf.matmul(a,b)
result = sess.run(Input)
print(result)
[[ 9 3 3 12]
[12 4 4 16]
[15 5 5 20]]
b在神经网络中一般用作权重矩阵，shape=[x,y],x为前一层神经网络的神经元数量，y为后一层神经网络的神经元数量
tf.multiply(x, y, name=None) ，两个矩阵中对应元素各自相乘，最后返回数据的维数以最多维数据的维数相同
import numpy as np import tensorflow as tf a = np.array([[1,2], [2,3], [3,4]]) b= np.array([2,3]) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) Input = tf.multiply(a,b) result = sess.run(Input) print(result)
[[ 2 6]
[ 4 9]
[ 6 12]]
标签：idt lex parse print 参数 atm tran run res
原文地址：https://www.cnblogs.com/wzdLY/p/9748988.html
