Tensorflow二維、三維、四維矩陣運算（矩陣相乘，點乘，行/列累加）

1. 矩陣相乘

根據矩陣相乘的匹配原則，左乘矩陣的列數要等於右乘矩陣的行數。

在多維（三維、四維）矩陣的相乘中，需要最後兩維滿足匹配原則。

可以將多維矩陣理解成：（矩陣排列，矩陣），即後兩維為矩陣，前面的維度為矩陣的排列。

比如對於（2，2，4）來說，視為2個（2，4）矩陣。

對於（2，2，2，4）來說，視為2*2個（2，4）矩陣。

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]*12,2,3])
b_3d = tf.constant([2]*24,3,4])
c_3d = tf.matmul(a_3d,b_3d)
a_4d = tf.constant([1]*24,3])
b_4d = tf.constant([2]*48,4])
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()))

2. 點乘

點乘指的是shape相同的兩個矩陣，對應位置元素相乘，得到一個新的shape相同的矩陣。

a_2d = tf.constant([1]*6,3])
b_2d = tf.constant([2]*6,3])
c_2d = tf.multiply(a_2d,3])
b_3d = tf.constant([2]*12,3])
c_3d = tf.multiply(a_3d,3])
b_4d = tf.constant([2]*24,3])
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,行/列累加)" src="http://img1.cppcns.com/images/2020/202002/tm5tcks0ehw.png" />
 

另外，點乘的其中一方可以是一個常數，也可以是一個和矩陣行向量等長（即列數）的向量。
即 
因為在點乘過程中，會自動將常數或者向量進行擴維。

a_2d = tf.constant([1]*6,3])
k = tf.constant(2)
l = tf.constant([2,4])
b_2d_1 = tf.multiply(k,a_2d) # tf.multiply(a_2d,k) is also ok
b_2d_2 = tf.multiply(l,l) is also ok
a_3d = tf.constant([1]*12,3])
b_3d_1 = tf.multiply(k,a_3d) # tf.multiply(a_3d,k) is also ok
b_3d_2 = tf.multiply(l,l) is also ok
a_4d = tf.constant([1]*24,3])
b_4d_1 = tf.multiply(k,a_4d) # tf.multiply(a_4d,k) is also ok
b_4d_2 = tf.multiply(l,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,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,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,b_4d_2.eval().shape,b_4d_2.eval()))
 



4. 行/列累加

a_2d = tf.constant([1]*6,3])
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]*12,3])
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]*24,3])
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()))



以上這篇Tensorflow矩陣運算例項(矩陣相乘,行/列累加)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。