【tensorflow+numpy】矩阵

一、tensorflow

1.定义矩阵、获取指定行列元素

代码：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()      # 保证sess.run()能够正常运行

data1 = tf.constant([[1, 2],      # 声明矩阵
                     [3, 4],
                     [5, 6]])
print(data1.shape)                # 输出矩阵维度

with tf.Session() as sess:
    print(sess.run(data1[1]))     # 输出矩阵第2行
    print(sess.run(data1[:, 1]))  # 输出矩阵第2列
    print(sess.run(data1[1, 1]))  # 输出矩阵第2行、第2列的数据

输出结果：

 

2.矩阵的乘法和加法

代码：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()              # 保证sess.run()能够正常运行

data1 = tf.constant([[1, 2]])             # 声明矩阵
data2 = tf.constant([[3],
                     [4]])
data3 = tf.constant([[5, 6]])

matMul = tf.matmul(data1, data2)          # 两矩阵相乘
matAdd = tf.add(data1, data3)             # 两矩阵相加

with tf.Session() as sess:
    print(data1.shape, "*", data2.shape)
    print(sess.run(matMul))               # 输出相乘结果
    print(data1.shape, "+", data3.shape)
    print(sess.run(matAdd))               # 输出相加结果

输出结果：

 

3.定义全 0 、全 1 和自动填充矩阵

代码：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()  # 保证sess.run()能够正常运行

data1 = tf.zeros([2, 3])      # 全0矩阵
data2 = tf.ones([2, 1])       # 全1矩阵
data3 = tf.fill([2, 2], 3)    # 自动填充矩阵
with tf.Session() as sess:
    print(sess.run(data1))    # 输出结果
    print(sess.run(data2))
    print(sess.run(data3))

输出结果：

 

4.其他特殊形式的矩阵

代码：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()              # 保证sess.run()能够正常运行

data1 = tf.constant([[2, 3, 4],
                     [5, 6, 7]])
data2 = tf.zeros_like(data1)              # 相同维度的全0矩阵
data3 = tf.lin_space(0.0, 12.0, 3)        # 范围内的均分矩阵
data4 = tf.random_uniform([2, 2], -2, 5)  # 范围内的随机矩阵
with tf.Session() as sess:
    print(sess.run(data2))                # 输出结果
    print(sess.run(data3))
    print(sess.run(data4))

输出结果：

 

二、numpy

numpy 是一个运行速度非常快的数学库，支持大维度的数组与矩阵运算。

代码：

import numpy as np
data1 = np.array([[1, 2, 3],    # 定义矩阵
                  [4, 5, 6]])
data2 = np.zeros([2, 3])        # 定义全0矩阵
data3 = np.ones([2, 3])         # 定义全1矩阵
data4 = np.ones([3, 1])

print(data1 * 2)                # 矩阵所有元素*2
print(data1 + data2)            # 矩阵相加
print(data1 * data3)            # 相同位置的元素相乘
print(np.matmul(data1, data4))  # 矩阵乘法

输出结果：