理论和代码-基础-星号和dot和multiply对比

1
2
3
4
5
6
7
8
9
矩阵乘([m,n] * [n, p] --> [m, p])
np.dot() # 只矩阵相乘;具体,对于秩为1的数组,执行对应位置相乘,然后再相加;对于秩不为1的二维数组,执行矩阵乘法运算;
np.mat() * np.mat() # 星号, 对矩阵执行矩阵乘法运算
tf.matmul(tf.Variable(), tf.Variable())

非矩阵乘(对应位置相乘)
np.multiply() # 只对应位置相乘;具体,数组/矩阵对应位置相乘,输出与相乘数组/矩阵的大小一致;
np.array() * np.array() # 星号,对数组执行对应位置相乘
tf.Variable() * tf.Variable()

代码示例如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
#!/usr/bin/python
# coding=utf-8

import numpy as np
import tensorflow as tf

a = np.arange(1, 5).reshape(2, 2)
b = np.arange(0, 4).reshape(2, 2)
c = np.arange(0, 3)
d = np.arange(1, 4)
e = np.mat(a)
f = np.mat(b)
'''
a:
array([[1, 2],
[3, 4]])

b:
array([[0, 1],
[2, 3]])

c:
array([0, 1, 2])

d:
array([1, 2, 3])

e:
matrix([[1, 2],
[3, 4]])
f:
matrix([[0, 1],
[2, 3]])
'''
with tf.Session() as sess:
print np.dot(a, b) # np.dot
print np.dot(e, f) # np.dot
print e * f # np.mat() * np.mat()
print sess.run(tf.matmul(a.astype('float32'), b.astype('float32'))) # tf.matmul()
#这四个都是矩阵相乘,结果如下
'''
[[ 4 7]
[ 8 15]]
'''
print np.dot(c, d) # np.dot
#这个也是矩阵相乘,可以看作[1, 3]*[3, 1]->[1,1]
'''
8
'''


print np.multiply(a, b) # np.multiply(array, array)
print np.multiply(e, f) # np.multiply(mat, mat)
print a * b # np.array() * np.array()
print sess.run(tf.constant(a, dtype=tf.float32) * tf.constant(b, dtype=tf.float32)) # tf.Variable() * tf.Variable()
#这四个都是对应位置相乘,结果如下
'''
[[ 0. 2.]
[ 6. 12.]]

坚持原创技术分享,您的支持将鼓励我继续创作!