时间:2021-05-22
我就废话不多说了,大家还是直接看代码吧~
flyfish
# a# [[1, 2, 3],# [4, 5, 6]] a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])# b1# [[ 7, 8],# [ 9, 10],# [11, 12]] b1 = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2])#b2#[[ 7 8 9]# [10 11 12]] b2 = tf.constant([7, 8, 9, 10, 11, 12], shape=[2, 3])# c矩阵相乘 第一个矩阵的列数(column)等于第二个矩阵的行数(row)# [[ 58, 64],# [139, 154]] c = tf.matmul(a, b1)# d`数元素各自相乘#[[ 7 16 27]# [40 55 72]] d = tf.multiply(a, b2) #维度必须相等 with tf.Session(): print(d.eval())关于其他计算
b3 = tf.constant([7, 8, 9,], shape=[1, 3])tf.multiply(a, b3)结果是[[ 7 16 27] [28 40 54]]b4 = tf.constant([7, 8], shape=[2, 1])tf.multiply(a, b4)结果是[[ 7 14 21] [32 40 48]]b5 = tf.constant([7], shape=[1, 1])tf.multiply(a, b5)结果是[[ 7 14 21] [28 35 42]]补充知识:tensor matmul的对3维张量的处理
torch.matmul(a,b)处理的一般是a和b的最后两个维度,假设a的维度为B*F*M,b也为B*F*M, 在对a,b做相乘操作的时候,需要完成对B的维度顺序的变换,通过permute(0, 2, 1)变换为B*M*F。
通过变换后进行torch.matmul(a,b)得到结果为B*F*F,在除了最后两个维度的的之前维度上都被认为是Batch。
示例1:
>>> import torch>>> a=torch.rand((1000,5,10))>>> b=torch.rand((1000,10,12))>>> c=torch.matmul(a,b)>>> c.shapetorch.Size([1000, 5, 12])在处理不同维度时,会通过广播来合并除最后两个维度外的其他维度,如对于A*B*F*M与B*M*F的matmul,结果为A*B*F*F
示例2:
>>> a=torch.rand((50,1000,5,10))>>> b=torch.rand((1000,10,12))>>> c=torch.matmul(a,b)>>> c.shapetorch.Size([50, 1000, 5, 12])以上这篇关于tf.matmul() 和tf.multiply() 的区别说明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。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
一,命名空间函数tf.variable_scopetf.name_scope先以下面的代码说明两者的区别#命名空间管理函数'''说明tf.variable_sc
#tf.shape(tensor)和tensor.shape()的区别a=tf.zeros([4,5,4,5,6])print(type(a.shape))pr
tf卡和sd卡不通用,区别在于: 1、外观大小的区别:SD卡体积为24mm乘32mm乘2.1mm;TF卡体积为15mm乘11mm乘1mm;SD卡比TF卡的尺寸
tensorflow支持14种不同的类型,主要包括:实数:tf.float32tf.float64整数:tf.int8tf.int16tf.int32tf.in
tf.gather和gather_nd从params中收集数值,tf.scatter_nd和tf.scatter_nd_update用updates更新某一张量