zoukankan      html  css  js  c++  java
  • deep_learning_Function_tf.add()、tf.subtract()、tf.multiply()、tf.div()

    tf.add()、tf.subtract()、tf.multiply()、tf.div()函数介绍和示例

    1. tf.add()

    释义:加法操作

    示例:

    x = tf.constant(2, dtype=tf.float32, name=None)
    y = tf.constant(3, dtype=tf.float32, name=None)
    z = tf.add(x, y)         # 加法操作
    
    X = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.float32, name=None)
    Y = tf.constant([[1, 1, 1], [2, 2 ,2]], dtype=tf.float32, name=None)
    Z = tf.add(X, Y)         # 矩阵加法操作,对应位置元素相加
    
    with tf.Session() as sess:
        print(sess.run(z))
        print('='*30)
    
        print(sess.run(Z))
    5.0
    ==============================
    [[2. 3. 4.]
     [6. 7. 8.]]
    

    2. tf.subtract()

    释义:减法操作

    示例:

    x = tf.constant(10, dtype=tf.float32, name=None)
    y = tf.constant(4, dtype=tf.float32, name=None)
    z = tf.subtract(x, y)         # 减法操作
    
    X = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.float32, name=None)
    Y = tf.constant([[1, 1, 1], [2, 2 ,2]], dtype=tf.float32, name=None)
    Z = tf.subtract(X, Y)         # 矩阵减法操作,对应位置元素相减
    
    with tf.Session() as sess:
        print(sess.run(z))
        print('='*30)
        
        print(sess.run(Z))
    
    6.0
    ==============================
    [[0. 1. 2.]
     [2. 3. 4.]]
    

    3. tf.multiply()

    释义:将两个矩阵中对应元素各自相乘

    示例:

    import tensorflow as tf
    
    X = tf.constant([[1, 2, 3], [4, 5 ,6]], dtype=tf.float32, name=None)
    Y = tf.constant([[1, 1, 1], [2, 2 ,2]], dtype=tf.float32, name=None)
    Z = tf.multiply(X, Y)       # 乘法操作,对应位置元素相乘
    
    with tf.Session() as sess:
        print(sess.run(Z))
    
    [[ 1.  2.  3.]
     [ 8. 10. 12.]]
    

    tf.matmul()和tf.scalar_mul()函数介绍和示例见csdn 博客

    4. tf.div()

    释义:除法操作

    示例:

    x = tf.constant(6, dtype=tf.float32, name=None)
    y = tf.constant(3, dtype=tf.float32, name=None)
    z = tf.div(x, y)           # 标量/标量
    
    X1 = tf.constant(6, dtype=tf.float32, name=None)
    Y1 = tf.constant([[1, 2], [2, 3]], dtype=tf.float32, name=None)
    Z1 = tf.div(X1, Y1)        # 标量/矩阵
    
    X2 = tf.constant([[6, 12], [6, 12]], dtype=tf.float32, name=None)
    Y2 = tf.constant([[1, 2], [2, 3]], dtype=tf.float32, name=None)
    Z2 = tf.div(X2, Y2)        # 矩阵/矩阵,对应元素相除
    
    with tf.Session() as sess:
        print(sess.run(z))
        print('='*30)
        
        print(sess.run(Z1))
        print('='*30)
        
        print(sess.run(Z2))   
    
    2.0
    ==============================
    [[6. 3.]
     [3. 2.]]
    ==============================
    [[6. 6.]
     [3. 4.]]
    

    ————————————————
    原文链接:https://blog.csdn.net/qq_36512295/article/details/100600390

  • 相关阅读:
    20155209林虹宇 Exp6 信息搜集与漏洞扫描
    20155209 Exp5 MSF基础应用
    20155209林虹宇Exp4 恶意代码分析
    20155209 林虹宇 Exp3 免杀原理与实践
    20155209 林虹宇Exp2 后门原理与实践
    20155209林虹宇逆向及Bof基础实验报告
    补做课上实践题目
    2017-2018-2 20155203《网络对抗技术》Exp9 :Web安全基础
    2017-2018-2 20155203《网络对抗技术》 Exp8:Web基础
    2017-2018-2 20155203《网络对抗技术》 Exp7:网络欺诈防范
  • 原文地址:https://www.cnblogs.com/0405mxh/p/11643983.html
Copyright © 2011-2022 走看看