本篇文章給大家分享的是有關(guān)怎么在Tensorflow中對矩陣進(jìn)行運(yùn)算，小編覺得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

網(wǎng)站建設(shè)哪家好，找成都創(chuàng)新互聯(lián)公司！專注于網(wǎng)頁設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、微信小程序開發(fā)、集團(tuán)企業(yè)網(wǎng)站建設(shè)等服務(wù)項(xiàng)目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了西山免費(fèi)建站歡迎大家使用！

tf.diag(diagonal,name=None) #生成對角矩陣

import tensorflowas tf;
diagonal=[1,1,1,1]
with tf.Session() as sess:
  print(sess.run(tf.diag(diagonal)))

 #輸出的結(jié)果為[[1 0 0 0]
    [0 1 0 0]
    [0 0 1 0]
    [0 0 0 1]]

tf.diag_part(input,name=None) #功能與tf.diag函數(shù)相反,返回對角陣的對角元素

import tensorflow as tf;
diagonal =tf.constant([[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]])
with tf.Session() as sess:
 print(sess.run(tf.diag_part(diagonal)))

#輸出結(jié)果為[1,1,1,1]

tf.trace(x,name=None) #求一個(gè)2維Tensor足跡，即為對角值diagonal之和

import tensorflow as tf;
diagonal =tf.constant([[1,0,0,3],[0,1,2,0],[0,1,1,0],[1,0,0,1]])
with tf.Session() as sess:
 print(sess.run(tf.trace(diagonal)))#輸出結(jié)果為4

tf.transpose(a,perm=None,name='transpose') #調(diào)換tensor的維度順序，按照列表perm的維度排列調(diào)換tensor的順序

import tensorflow as tf;
diagonal =tf.constant([[1,0,0,3],[0,1,2,0],[0,1,1,0],[1,0,0,1]])
with tf.Session() as sess:
 print(sess.run(tf.transpose(diagonal))) #輸出結(jié)果為[[1 0 0 1]
                             [0 1 1 0]
                             [0 2 1 0]
                             [3 0 0 1]]

tf.matmul(a,b,transpose_a=False,transpose_b=False,a_is_sparse=False,b_is_sparse=False,name=None) #矩陣相乘

transpose_a=False,transpose_b=False #運(yùn)算前是否轉(zhuǎn)置

a_is_sparse=False,b_is_sparse=False #a,b是否當(dāng)作系數(shù)矩陣進(jìn)行運(yùn)算

import tensorflow as tf;
A =tf.constant([1,0,0,3],shape=[2,2])
B =tf.constant([2,1,0,2],shape=[2,2])
with tf.Session() as sess:
 print(sess.run(tf.matmul(A,B)))

#輸出結(jié)果為[[2 1]
   [0 6]]

tf.matrix_determinant(input,name=None) #計(jì)算行列式

import tensorflow as tf;
A =tf.constant([1,0,0,3],shape=[2,2],dtype=tf.float32)
with tf.Session() as sess:
 print(sess.run(tf.matrix_determinant(A)))

#輸出結(jié)果為3.0

tf.matrix_inverse(input,adjoint=None,name=None)

adjoint決定計(jì)算前是否進(jìn)行轉(zhuǎn)置

import tensorflow as tf;
A =tf.constant([1,0,0,2],shape=[2,2],dtype=tf.float64)
with tf.Session() as sess:
 print(sess.run(tf.matrix_inverse(A)))

#輸出結(jié)果為[[ 1. 0. ]
   [ 0. 0.5]]

tf.cholesky(input,name=None) #對輸入方陣cholesky分解，即為將一個(gè)對稱正定矩陣表示成一個(gè)下三角矩陣L和其轉(zhuǎn)置的乘積德分解

import tensorflow as tf;
A =tf.constant([1,0,0,2],shape=[2,2],dtype=tf.float64)
with tf.Session() as sess:
 print(sess.run(tf.cholesky(A)))

#輸出結(jié)果為[[ 1.   0.  ]
   [ 0.   1.41421356]]

以上就是怎么在Tensorflow中對矩陣進(jìn)行運(yùn)算，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見到或用到的。希望你能通過這篇文章學(xué)到更多知識(shí)。更多詳情敬請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

網(wǎng)站題目：怎么在Tensorflow中對矩陣進(jìn)行運(yùn)算-創(chuàng)新互聯(lián)
網(wǎng)站地址：http://chinadenli.net/article44/depjee.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供小程序開發(fā)、全網(wǎng)營銷推廣、品牌網(wǎng)站建設(shè)、做網(wǎng)站、手機(jī)網(wǎng)站建設(shè)、面包屑導(dǎo)航

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)