关于tf.matmul() 和tf.multiply() 的区别说明
我就废话不多说了，大家还是直接看代码吧~
flyfish
#a #[[1,2,3], #[4,5,6]]a=tf.constant([1,2,3,4,5,6],shape=[2,3]) #b1 #[[7,8], #[9,10], #[11,12]]b1=tf.constant([7,8,9,10,11,12],shape=[3,2]) #b2 #[[789] #[101112]]b2=tf.constant([7,8,9,10,11,12],shape=[2,3]) #c矩阵相乘第一个矩阵的列数（column）等于第二个矩阵的行数（row） #[[58,64], #[139,154]]c=tf.matmul(a,b1) #d`数元素各自相乘 #[[71627] #[405572]]d=tf.multiply(a,b2)#维度必须相等withtf.Session(): print(d.eval())
关于其他计算
b3=tf.constant([7,8,9,],shape=[1,3]) tf.multiply(a,b3) 结果是 [[71627] [284054]] b4=tf.constant([7,8],shape=[2,1]) tf.multiply(a,b4) 结果是 [[71421] [324048]] b5=tf.constant([7],shape=[1,1]) tf.multiply(a,b5) 结果是 [[71421] [283542]]
补充知识：tensormatmul的对3维张量的处理
torch.matmul(a,b)处理的一般是a和b的最后两个维度，假设a的维度为B*F*M,b也为B*F*M,在对a,b做相乘操作的时候，需要完成对B的维度顺序的变换，通过permute(0,2,1)变换为B*M*F。
通过变换后进行torch.matmul(a,b)得到结果为B*F*F，在除了最后两个维度的的之前维度上都被认为是Batch。
示例1：
>>>importtorch >>>a=torch.rand((1000,5,10)) >>>b=torch.rand((1000,10,12)) >>>c=torch.matmul(a,b) >>>c.shape torch.Size([1000,5,12])
在处理不同维度时，会通过广播来合并除最后两个维度外的其他维度，如对于A*B*F*M与B*M*F的matmul，结果为A*B*F*F
示例2：
>>>a=torch.rand((50,1000,5,10)) >>>b=torch.rand((1000,10,12)) >>>c=torch.matmul(a,b) >>>c.shape torch.Size([50,1000,5,12])
以上这篇关于tf.matmul()和tf.multiply()的区别说明就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。