Python 之 numpy 和 tensorflow运算

转自： https://www.cnblogs.com/liuq/p/9330134.html

一、点乘与矩阵乘定义

1）点乘（即“ * ”） ---- 各个矩阵对应元素做乘法

若 w 为 m1 的矩阵，x 为 mn 的矩阵，那么通过点乘结果就会得到一个 m*n 的矩阵。

若 w 为 mn 的矩阵，x 为 mn 的矩阵，那么通过点乘结果就会得到一个 m*n 的矩阵。

w的列数只能为 1 或 与x的列数相等（即n），w的行数与x的行数相等 才能进行乘法运算。

2）矩阵乘 ---- 按照矩阵乘法规则做运算

若 w 为 mp 的矩阵，x 为 pn 的矩阵，那么通过矩阵相乘结果就会得到一个 m*n 的矩阵。只有 w 的列数 == x的行数时，才能进行乘法运算

3、numpy和tensorflow示例

# numpy示例
import numpy as np
w = np.array([[0.4], [1.2]])
x = np.array([range(1,6), range(5,10)])

y1 = w*x  #点乘
y2 = np.dot(w,x) #矩阵乘

# tensorflow示例
import tensorflow as tf
w = tf.Variable([[0.4], [1.2]], dtype=tf.float32) # w.shape: [2, 1]
x = tf.Variable([range(1,6), range(5,10)], dtype=tf.float32) # x.shape: [2, 5]
y1 = w * x     # 点乘，等同于 y = tf.multiply(w, x)   y.shape: [2, 5]
y2 = tf.matmul(w, x) #矩阵乘

2、矩阵加法，broadcasting机制

z1 = tf.get_variable(name='v1', shape=[128, 32, 256], dtype=tf.float32, initializer=tf.glorot_uniform_initializer())
z2 = tf.get_variable(name='v2', shape=[128, 32, 1], dtype=tf.float32, initializer=tf.glorot_uniform_initializer())
add_vec = z2 + z1  # shape=(128, 32, 256)

与矩阵点乘类似，维度不完全相同的也可以相加，但要求同点乘类一样，这种隐式的复制向量b到很多位置的办法，叫做broadcasting。