tf.matmul、tf.multiply、*的区别

最新推荐文章于 2025-04-03 15:04:13 发布

攀攀的跟屁虫

最新推荐文章于 2025-04-03 15:04:13 发布

阅读量1.3k

点赞数 1

本文链接：https://blog.youkuaiyun.com/qq_20849045/article/details/105702647

版权

tf.matmul矩阵乘法，叉乘。

tf.multiply和*一样都是点乘，对应位置的元素相乘。

写这篇文章的初衷是因为看神经网络的代码时，总是看到很多在乘之前有reshape的操作，比较懵逼。因为自己对超过三维的矩阵乘法就不了解了。就目前我的认知来说，之所以进行reshape是为了方便矩阵乘。

torch.mm是矩阵乘

torch.mul是点乘，*也是点乘

轻易不要用*，因为有可能会有误差。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

攀攀的跟屁虫

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

TensorFlow常用乘法函数总结：tf.multiply()、*、tf.matmul()、@、tf.scalar_mul()、tf.tensordot()、tf.einsum()

qq_43629945的博客

04-28

3294

tf.multiply() 或 * 为元素对位相乘，即哈达玛积，要求两个矩阵shape一致，或其中一个维度为1。tf.matmul() 或 @ 为矩阵乘法，参与运算的是最后两维形成的矩阵，不支持矩阵-向量乘法或两个向量的点积。tf.scalar_mul() 为标量和张量相乘，即参数之一为标量。外积 tf.tensordot(a, b, axes=0)，点积 tf.tensordot(a, b, axes=1)，a和b都是一维向量。tf.einsum() 是通用函数模板，numpy和Pytorch有类似的用法

Tensorflow中高维矩阵的乘法运算tf.matmul(tf.linalg.matmul)详悉

yaokun2012的博客

07-25

778

在tensorflow框架下，经常会用到矩阵的乘法运算，特别是高（多）维的矩阵运算，在这些矩阵运算时，经常使用到其中的tf.matmul或tf.linalg.matmul等函数。但高维矩阵在内部怎么运算的？其内部的参数是怎么实现的在tensorflow给出的介绍仍然存在表达不明的问题，所以在此作进一步的阐释。声明：本博客里的数组乘法运算是指，不是对应元素相乘。所述高维代表矩阵的维度3维。

参与评论您还未登录，请先登录后发表或查看评论

TF乘法之multiply、matmul、*

github_39605284的博客

05-08

1404

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] y = w * x # 等同于 y = tf.multiply(w, x) y.shape: [2, 5] sess = tf.Session() ini

【深度学习】tf.math.multiply与tf.multiply有啥区别？

最新发布

04-03

363

函数行为符号规则。

tensorflow中两种矩阵相乘：matmul与*

FY_2018的博客

08-18

1134

一、矩阵对应位置元素相乘：* 所以要求相乘的两个矩阵必须形状相同。 a = tf.constant([[1,2],[3,4]]) b = tf.constant([[10,20],[30,40]]) c =a *b with tf.Session() as sess: print(sess.run(c)) 二、矩阵乘法：tf.matmul() 两个矩阵乘法 C = tf.matmul(A,B) A的形状为m*n,B的形状为n*k,所以C的形状为m*k. a = t...

*和multiply

weixin_30246221的博客

11-06

481

对于矩阵，*为数学意义的矩阵乘法： import numpy as np a=np.mat([1,2,3]) b=np.mat([[0],[5],[7]]) print(a*b) print(b*a) 输出： [[31]] [[ 0 0 0] [ 5 10 15] [ 7 14 21]] multiply...

tf.matmul

u013713117的专栏

01-18

2万+

矩阵a*b# 2-D tensor `a` a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3]) => [[1. 2. 3.] [4. 5. 6.]] # 2-D tensor `b` b = tf.constant([7, 8, 9, 10, 1

关于tf.matmul() 和tf.multiply() 的区别说明

09-16

在TensorFlow库中，`tf.matmul()` 和 `tf.multiply()` 都是用来进行张量运算的函数，但它们的用途和作用有所不同。理解这两个函数的区别对于有效地编写和优化TensorFlow代码至关重要。 1. **`tf.matmul()`**：这个...

将tf.batch_matmul替换成tf.matmul的实现

09-16

tf.matmul() 和 tf.multiply() 的区别 #### 3.1 tf.multiply() `tf.multiply()` 函数实现了元素级别的相乘，即两个矩阵中对应位置的元素进行相乘。 **语法：** ```python tf.multiply(x, y, name=None) ``` - `x`...

tf.multiply（）和tf.matmul（）区别

06-27

122

（1）tf.multiply是点乘，即Returns x * y element-wise. （2）tf.matmul是矩阵乘法，即Multiplies matrix a by matrix b, producing a * b. 转载于:https://www.cnblogs.com/Ph-one/p/9234652.html...

PyTorch中的matmul函数详解

wzk4869的博客

11-19

2万+

PyTorch中的matmul函数详解

学习笔记：几种矩阵乘法（matmul product普通乘积、hadamard product矩阵点乘、kronecker product克罗内克积、斯特拉森矩阵乘法）

热门推荐

与贰的博客

07-08

3万+

1、普通矩阵乘法（matmul product）假设矩阵A大小是M*N，矩阵B大小是N*P，C=AB这里选取一个例子这里的矩阵乘法要求相乘的两个矩阵一个的行数得等于另一个的列数，否则，无法进行乘机运算。2、矩阵点乘（hadamard product）矩阵点乘，英文hadamard product，因此又称哈达码积。要求相乘的两个矩阵A和B大小完全相同，即A，B大小都为M*N，然后。下面举一个运算实...

python数组（矩阵）乘法（点乘、叉乘）

qq_32649321的博客

02-18

2万+

转载：https://blog.csdn.net/haiziccc/article/details/101361583 总结：（1）tf.matmul(A,C)=np.dot(A,C)= A@C都属于叉乘，而tf.multiply(A,C)= A*C=A∙C属于点乘。（2）叉乘称向量积；点乘指对应元素相乘，点乘的结果表示在方向上的投影与的乘积，反映了两个向量的相似度，结果越大越相似。（3）python中的数组和矩阵： python中的numpy包下有array(obj)和mat(obj)这两个方

torch.matmul和torch.mm和*区别

Lison_Zhu's Blog

11-26

3284

torch.matmul和*

tf.matmul（）矩阵乘法和 tf.multiply（）点乘

zz2230633069的博客

08-01

8827

tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None) Multiplies matrix a by matrix b, producing a * b. 参数说明：a和b两个矩...

np.dot()与np.matmul()的区别

qq_43118572的博客

03-25

808

1.二者都是矩阵乘法。 2.np.matmul中禁止矩阵与标量的乘法。 3.在若两个array的维度均为两维的情况下，两个函数的结果是相同的。 4.在在若两个array的维度均n>2的情况下，np.matmul()是对应位置的矩阵分别作点积，而np.dot()是arrayA的所有矩阵都与arrayB的所有矩阵作点积。参考链接：https://blog.csdn.net/ACTerminate/article/details/96151132 ...

numpy 和 tensorflow 中的各种乘法（点乘和矩阵乘）

python学习者的博客

08-10

1万+

点乘和矩阵乘的区别： 1）点乘（即“ * ”） ---- 各个矩阵对应元素做乘法若 w 为 m*1 的矩阵，x 为 m*n 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 m*n 的矩阵，x 为 m*n 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 ---- ...

python中np.multiply（）、np.dot（）和星号（*）三种乘法运算的区别

huahuazhu的博客

01-22

884

转自：https://blog.csdn.net/zenghaitao0128/article/details/78715140 为了区分三种乘法运算的规则，具体分析如下： import numpy as np1 1. np.multiply()函数函数作用数组和矩阵对应位置相乘，输出与相乘数组/矩阵的大小一致 1.1数组场景 A = np.arange(1,5).res...

矩阵的点乘和乘法 tensorfow tf.multiply tf.matmul

Eric_LH的博客专栏

10-22

2297

这个结果是怎么算出来的？教科书告诉你，计算规则是，第一个矩阵第一行的每个数字（2和1），各自乘以第二个矩阵第一列对应位置的数字（1和1），然后将乘积相加（ 2 x 1 + 1 x 1），得到结果矩阵左上角的那个值3。也就是说，结果矩阵第m行与第n列交叉位置的那个值，等于第一个矩阵第m行与第二个矩阵第n列，对应位置的每个值的乘积之和。怎么会有这么奇怪的规则？我一直没理解这个规则的含义，导...

# 设置输入层节点数、隐层节点数 in_nodes=784 h1_nodes=100 h2_nodes=100 h3_nodes=50 # 定义输入、输出、prob的placeholder x=tf.placeholder(tf.float32,[None,in_nodes]) y_=tf.placeholder(tf.float32,[None,10]) prob=tf.placeholder(tf.float32) # 设置第一隐层 w1=weight(in_nodes, h1_nodes, 0.1, 0.005) b1=tf.Variable(tf.zeros([h1_nodes])) h1=tf.nn.relu(tf.matmul(x,w1)+b1) # 设置第二隐层 w2=weight(h1_nodes, h2_nodes, 0.1, 0.0) b2=tf.Variable(tf.zeros([h2_nodes])) h2=tf.nn.relu(tf.matmul(h1,w2)+b2) h2_drop=tf.nn.dropout(h2, prob) # 设置第三隐层 w3=weight(h2_nodes, h3_nodes, 0.1, 0.0) b3=tf.Variable(tf.zeros([h3_nodes])) h3=tf.nn.relu(tf.matmul(h2_drop,w3)+b3) h3_drop=tf.nn.dropout(h3, prob) # 设置softmax输出层 w4=weight(h3_nodes, 10, 0.1, 0.0) b4=tf.Variable(tf.zeros([10])) y=tf.nn.softmax(tf.matmul(h3_drop,w4)+b4)

06-10

weight_decay = tf.multiply(tf.nn.l2_loss(var), wd, name='weight_loss') tf.add_to_collection('losses', weight_decay) return var class MyModel(tf.keras.Model): def __init__(self, in_nodes=784, h1_...